type
status
slug
summary
tags
category
password
date
icon
1. 说明实验背景与目的
错误示范：
笔者师弟刚来的时候，做了很多的实验，但是在工作汇报时，却只展示了一堆未处理的数据。
汇报结束后导师问了这样一句话：「你为什么要做这些实验？想要解决什么？」
正确示范：
「在过去的一段时间内，做了 xxx 实验，是为了解决 xxx 的问题。」——汇报实验时，首先要说明实验背景与目的。
不阐述清楚自己实验的研究背景与研究目的，呈现再多的实验数据，台下的听众都不知道你在讲什么。
2. 说清楚参照的实验方法
讲清楚了实验目的，接着就要说明： 为了达到实验目的，用了什么样的方法，做了什么样的实验。
3. 展示实验结果
展示实验结果的形式多样，一般建议 在 PPT 上以图片、表格的形式展示。切记千万不要采用全文字的形式。
汇报实验结果时，细节要讲清楚。
4. 列出后续实验计划
说完实验结果以后，就要说明后续的实验规划。
根据实验结果，总结一下有没有达到一开始的实验目的。
如果没有达到目的，那么，需在原有结果的基础上，继续改进实验方法，或者进一步的验证实验结果。
如果达到了，那么恭喜你，可以继续按照原实验设计，进行下一步实验。
讲述这部分内容时，同样需要把下一步的实验目的讲清楚，这样导师就会对你的整个研究思路更清晰。
汇报时，对应着上述假设，可以列出简单的实验技术路线图， 把设想的结果展现出来，才能更高效的实施自己的课题。
5、规避 2 个雷区：
雷区 1：只汇报「好」的结果
你得到的负结果，在导师看来未必就一定很差，人类史上的科学研究很多时候都有着「柳暗花明又一村」的惊喜。报喜不报忧、选择性的汇报，也有可能让你和你的导师错失「诺奖」级别的研究成果。
得到负结果也是一种结果，这种结果只能说与预期相差太多。而「没有结果」是指实验失败，也就是说做了这个实验之后跟没做是一样的，结果仍然是未知。
如果实验失败，那么请仔细复盘，思考失败的可能原因，给组会的同学参考。
雷区 2：把问题直接推给老师
科研过程中一定会遇到很多问题，建议不要把问题直接推给导师。
遇到问题一定要先自己想解决办法，可以咨询师兄师姐，查找文献资料等。在汇报时，一定要体现出自己思考问题的过程，这样导师也更会愿意给我们提供帮助。
主要需要体现思考的过程
没有数据，应该汇报什么？
对于还未开展实验或实验无进展的同学而言，没什么可汇报的怎么办？
1. 分享前沿文献与科研 idea
可以汇报自己近期阅读的文献，整理出所有文献的目录，然后根据对应的文献，列出自己想到的关键点，有理有据的说出自己的想法，会给老师留下一个不划水的印象。
这招如果用在上述正常工作汇报的最后，可以起到锦上添花的作用，毕竟老师都喜欢既勤奋又喜欢思考的学生。
2. 实验技术学习
介绍论文的时候
可以从motivation，baseline，method，environment一步步展开进行讨论
1. Motivation（动机）
定义：
Motivation是文章或研究的出发点，它解释了为什么要进行这项研究，问题是什么，现有方法或技术有什么局限，为什么当前的解决方案不足以满足需求。动机通常包括对研究问题的背景描述，以及这项研究解决了哪些现有问题。
目的：
动机部分的主要目的是让读者了解：
- 研究的意义：为什么这项研究重要？
- 现有的挑战：有哪些问题尚未解决，或者现有方法的不足？
- 研究目标：这项研究想要达成什么目标，为什么当前的方法无法解决问题。
举例：
比如在深度学习领域，动机部分可能会提到：“尽管卷积神经网络（CNN）在图像分类中取得了显著成果，但在复杂的图像生成任务中，仍然存在精度和效率的瓶颈。因此，提出了一种新的神经网络架构，以解决这一问题。”
2. Baseline（基准）
定义：
Baseline是指研究中用于比较的现有方法或系统，它通常是研究者选择的标准方法、最常用的算法或者最具代表性的解决方案。通过与baseline的比较，研究者可以展示自己方法的优势或改进之处。
目的：
基准的目的是为新的方法或实验提供一个对比标准，帮助评估新方法是否优于现有方法。例如，通过与现有的算法比较，可以展示新方法在性能、效率或其他方面的改进。
举例：
在图像识别任务中，传统的CNN可以作为baseline，而新的算法（比如改进的ResNet）将与CNN进行对比，证明新的架构在精度或计算效率上的提升。
3. Method（方法）
定义：
Method部分描述了作者提出的解决问题的具体方法或技术，通常包括算法、模型设计、实验步骤、数据预处理、工具的选择等。方法部分是研究的核心部分之一，详细阐述了如何实施研究、如何设计实验，或者如何应用某个技术。
目的：
方法部分的主要目的是让读者了解：
- 研究者提出了什么新的方法？
- 这些方法的核心原理和步骤是什么？
- 如何实施这些方法，涉及到哪些工具、数据集和技术？
举例：
比如，在深度学习的研究中，Method部分可能会详细描述网络架构的设计、损失函数的选择、训练过程的优化策略、数据的处理方式等等。举个例子，“我们提出了一种新的卷积神经网络架构，采用多尺度特征提取和注意力机制，旨在提高图像分类的准确率。”
4. Environment（环境）
定义：
Environment部分通常指实验或方法实现时所依赖的硬件、软件平台、编程语言、框架以及实验数据集等。这部分通常用于描述研究进行的实验环境，帮助读者复现实验，确保结果具有可重复性。
目的：
环境部分的目的是：
- 确保读者理解实验是如何在特定平台和条件下执行的；
- 提供实验所用工具的详细信息，以便其他研究人员能够复制和验证研究结果。
举例：
例如，环境部分可能描述：“实验是在NVIDIA Tesla V100 GPU上进行的，使用TensorFlow框架和Python 3.7环境，数据集为ImageNet，训练过程使用Adam优化器，学习率设置为0.001。” 通过这样的描述，其他研究人员可以在相同环境下复现实验。
通过Motivation、Baseline、Method和Environment四个部分，研究者能够清晰地展示他们的研究背景、现有问题、创新之处及实验过程。这四个部分是大多数科研论文的核心，帮助读者理解论文的贡献以及如何在类似环境下实现和验证该方法。
任务-轨迹对比学习：通过对比学习（contrastive learning），模型可以学习到在同一任务下，哪些轨迹是多样化的，哪些轨迹是无关紧要的。这样一来，即便生成了多个轨迹，模型也会知道哪些轨迹与任务高度相关，哪些轨迹不匹配。
- 作者:fufu酱
- 链接:https://csfufu.life/article/13a166b7-5648-8057-9aa2-da90ddeb6db2
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章