一等一的頂會(huì)CVPR接收的論文竟然出錯(cuò)？這條消息在今天的Reddit炸了鍋。根據(jù)論文作者公開的代碼，實(shí)驗(yàn)無法復(fù)現(xiàn)，同行評(píng)議過程也再次遭到質(zhì)疑，該不該連代碼也一起審核？網(wǎng)友向大家征求意見：這篇論文該不該被撤稿？

CVPR，計(jì)算機(jī)視覺乃至人工智能領(lǐng)域頂會(huì)中的頂會(huì)，“THE頂會(huì)”，接收的論文竟然名不副實(shí)？

你說該不該撤稿？

今天，一條這樣的消息在Reddit炸了鍋。

事情是這樣的，有人試著去復(fù)現(xiàn)了CVPR 2018的一篇論文——CMU和密歇根州立大學(xué)的《Perturbative Neural Networks》，發(fā)現(xiàn)得不到作者在論文中所描述的結(jié)果，他認(rèn)為這表明論文作者計(jì)算有誤，因此其結(jié)果無效，于是就在Reddit發(fā)帖（在他大前天向作者發(fā)郵件但沒有收到回復(fù)后）問眾網(wǎng)友：

“我覺得這篇論文該被撤稿。你們覺得呢？”

“THE頂會(huì)”CVPR的同行評(píng)議竟然出錯(cuò)？！

一石激起千層浪。

因?yàn)檫@可不是隨便哪篇上傳到arXiv的預(yù)印版，而是經(jīng)過了CVPR雙盲評(píng)審的論文啊。連CVPR這樣一等一的頂會(huì)都出錯(cuò)了，這還怎么得了？

具體看，《Perturbative Neural Networks》的作者在文中寫道，如今計(jì)算機(jī)視覺的成功大多是由于卷積神經(jīng)網(wǎng)絡(luò)（CNN），而他們提出了一個(gè)簡(jiǎn)單有效的模塊，叫做“干擾層”（perturbation layer），作為卷積層的替代。干擾層不使用傳統(tǒng)意義上的卷積，而是將其響應(yīng)計(jì)算為一個(gè)線性加權(quán)和，這個(gè)和是由增加的噪音干擾輸入的非線性激活組成的。

PNN論文作者通過實(shí)驗(yàn)和分析，表明干擾層可以有效地替代標(biāo)準(zhǔn)的卷積層，然后他們將干擾層組成深度神經(jīng)網(wǎng)絡(luò)——干擾神經(jīng)網(wǎng)絡(luò)（PNN），并在一系列視覺數(shù)據(jù)集（MNIST，CIFAR-10，PASCAL VOC和ImageNet）上與標(biāo)準(zhǔn)CNN進(jìn)行比較，得出結(jié)論P(yáng)NN的表現(xiàn)跟CNN一樣好。

但“p1esk”，也就是在Reddit發(fā)言認(rèn)為該撤稿的那個(gè)人就不同意了，他認(rèn)為將3X3卷積換成1X1再在輸入中增加一些干擾，實(shí)際上并沒有什么意義。他的測(cè)試結(jié)果是這樣的：

P1esk 復(fù)現(xiàn)的結(jié)果，發(fā)現(xiàn)PNN精度根本就沒有到90%，只有85%左右

當(dāng)然，p1esk 也給出了他詳細(xì)的實(shí)現(xiàn)過程，具體可以去看Github頁面（見文末）。

論文該不該撤？都是公開代碼惹的禍

好，回到最開始討論的是否該撤稿問題上來。

網(wǎng)友的意見大致可以分為三類：

不用撤，既然作者都把代碼公開了，顯然是無心之過，只要將錯(cuò)誤改過來就好了；

撤！有錯(cuò)誤當(dāng)然撤，不僅如此，以后還應(yīng)該規(guī)定所有論文提交時(shí)都必須公開代碼，不僅論文要評(píng)審，連代碼也要一并審核；

先把撤稿的事放在一邊：（雙盲）評(píng)審過程本身并不涉及代碼的審核，就好像生物學(xué)領(lǐng)域的論文不會(huì)在審稿期間去重復(fù)實(shí)驗(yàn)，也無法做到一一核查代碼，原本就是論文發(fā)表后，由其他同行來復(fù)現(xiàn)，由此判斷其結(jié)論是否經(jīng)得起科學(xué)論證。

你有沒有發(fā)現(xiàn)，討論的重點(diǎn)實(shí)質(zhì)上已經(jīng)從“撤稿”轉(zhuǎn)移到了“公開代碼”上面。

p1esk 為何能發(fā)現(xiàn)PNN論文結(jié)果與作者描述得不一致？因?yàn)镻NN論文的作者將代碼公開了。如果不公開，連發(fā)現(xiàn)這個(gè)不一致的機(jī)會(huì)都沒有。

因此，也有人評(píng)論，說不定這就是某些論文不公開代碼的原因呢。

這種想法得到了不少贊同，不少人表示，對(duì)啊對(duì)啊，這比那些說了會(huì)公布代碼但卻一直不公布的人要好多了。

而代碼公開，實(shí)際上一直是深度學(xué)習(xí)領(lǐng)域的老大難問題。

有的產(chǎn)業(yè)研究機(jī)構(gòu)不太希望公開代碼，因?yàn)樯婕暗綄＠虍a(chǎn)品。

深度學(xué)習(xí)是如今研究復(fù)現(xiàn)率最低的領(lǐng)域之一，正如南京大學(xué)計(jì)算機(jī)系主任、人工智能學(xué)院院長(zhǎng)周志華教授在AI WORLD 2018世界人工智能峰會(huì)發(fā)表的演講中提到的那樣：

“常用神經(jīng)網(wǎng)絡(luò)的朋友知道，現(xiàn)在深度神經(jīng)網(wǎng)絡(luò)有很多問題。大家經(jīng)常說的一件事情就是要花大量的精力調(diào)整參數(shù)，參數(shù)實(shí)在太多了。

“不僅如此，這還會(huì)帶來另外一個(gè)嚴(yán)重的問題：哪怕我告訴你同樣的算法、用同樣的數(shù)據(jù)，如果不告訴你參數(shù)是怎么調(diào)的，可能就沒有辦法得到同樣的結(jié)果?！?/p>

作者回應(yīng)：正在檢查，誤差太大會(huì)主動(dòng)撤稿

現(xiàn)在，Reddit這條討論里被贊最多的回復(fù)，來自PNN論文的作者。

你好，我是這篇論文的第一作者。我們?cè)诖蠹s3周前注意到了這個(gè)問題，現(xiàn)在正在調(diào)查中。我很感謝Michael對(duì)PNN論文的實(shí)現(xiàn)，并將他發(fā)現(xiàn)的問題告訴給了我們。我們希望徹底分析問題，并且得到100%確定的結(jié)果，之后再給出進(jìn)一步的回復(fù)。

我們可視化工具中平滑函數(shù)的默認(rèn)設(shè)置有誤，這是我們疏忽了，現(xiàn)在已經(jīng)修復(fù)。我們正在重新運(yùn)行所有的實(shí)驗(yàn)。我們會(huì)用最新的結(jié)果更新我們的arXiv的論文和Github庫(kù)。如果分析表明我們的結(jié)果確實(shí)跟提交CVPR的版本中相差很多，我們會(huì)撤回這篇論文。

話雖如此，根據(jù)我的初步評(píng)估，如果他在實(shí)現(xiàn)的時(shí)候正確選擇#filters、噪音水平和優(yōu)化方法，我眼下能夠在CIFAR-10上達(dá)到大約90％~91％的精度，而不是他選上述參數(shù)得到的85％~86％。但是，不做進(jìn)一步檢查，我不想說更多。

大部分網(wǎng)友都認(rèn)為這是一個(gè)合理的回復(fù)。

那既然作者都這樣說了，圍觀人等就散去吧？

你是不是忘了，最根本的代碼公開還沒有得到結(jié)論呢！

如果深度學(xué)習(xí)和人工智能真的要成為一門科學(xué)，那么就必須符合科研的標(biāo)準(zhǔn)。如今，代碼開源以及復(fù)現(xiàn)實(shí)驗(yàn)的呼聲越來越高，這也是領(lǐng)域健康發(fā)展的證明。

重視論文可重復(fù)性，讓深度學(xué)習(xí)成為一門科學(xué)

ICLR在去年舉辦了一個(gè)“研究復(fù)現(xiàn)挑戰(zhàn)賽”，今天剛剛公布了第二屆的消息。在這個(gè)復(fù)現(xiàn)挑戰(zhàn)賽中，參賽者從2019年ICLR提交的論文中任意選擇一篇，然后嘗試復(fù)現(xiàn)論文中描述的實(shí)驗(yàn)。目標(biāo)是評(píng)估實(shí)驗(yàn)是否可重復(fù)，并確定你的發(fā)現(xiàn)是否支持該論文的結(jié)論。

參賽者的結(jié)果可以是肯定的（即確認(rèn)可重復(fù)性），也可以是負(fù)面的（即說明無法復(fù)現(xiàn)實(shí)驗(yàn)內(nèi)容，并給出可能的原因）。

舉辦這樣的競(jìng)賽，就是為了讓更多的人，尤其是學(xué)生，加入到論文審核的工作中來，同時(shí)也提升其對(duì)論文可重復(fù)性重要性的意識(shí)。