博士论文匿名评审

相信很多在读研究生的小伙伴，尤其是临近毕业的研究生都听说过论文盲审这件事儿。盲审是一种论文评审制度，为了保证审核的客观公正性，导师在审阅论文的时候不知道论文的名字，即匿名送审，一般的高校在论文答辩前都要进行论文盲审，随机抽取几篇论文，统一送审。那么盲审到底是什么时候开始实施的呢？小编这里查询了一下教育部官方网站，官方给出的回答是这样的：“为保证和提高研究生培养质量，教育部和国务院学位委员会采取了一系列措施，例如：评选“全国百篇优秀博士论文”和进行论文抽查，启动研究生教育创新计划，评选高等学校重点学科，遴选、推荐研究生教学用书，对培养和学位授予质量开展评估等。一些学校为了保证质量，根据各自的特点采取了相应的有关措施，如毕业论文盲审、毕业时须以第一作者发表论文等做法，教育部对此并无统一规定。”也就是说，盲审，各个学校的规定都不一样，没有确切的时间，但是从盲审的初衷以及国家对教育的重视程度来看，盲审是大势所趋，千万不要抱着侥幸心理，一定要好好写好自己的论文，对自己三年的学习有一个好的交代。盲审有哪些类型？盲审的类型主要分为校内盲审和校外盲审。校内盲审一般是由各院系自行组织和实施，主要在校际盲审前启动，盲审方式和标准不同学校略有差异，但大体流程相似，通过校内盲审后方可参加校际盲审。校内盲审通过的可能性也比较大一些。校外盲审指将论文送外单位专家审阅，有的学校是学位办统一进行，有的学校是导师个人进行。校外盲审通过的难度要大一些。要注意的是，盲审和外审通过后才能取得答辩权，答辩不通过，一样不能毕业。只要盲审2个专家通过，或者外审的2个专家通过就取得答辩权利，答辩委员会不包括外审专家，要半数通过就能够毕业。哪些人的论文会被盲审？不同学校硕士论文盲审所占的比例不同，一般在30%－50%之间，博士论文全部盲审。这里最悲催的就是我们的博士研究生同学了，论文百分之分百被盲审，但是国家目前对研究生的管理本就是宽进严出的态度，也并没有什么奇怪的。而我们的一部分硕士研究生同学可抱有一点侥幸的心理，因为并不是每一位硕士研究生的论文都会被盲审啦。盲审没有过怎么办？ 定为不合格的学位论文由研究生部通知研究生本人及导师，进行论文的修改；如研究生本人及导师对盲审结果有异议，可填写“复审申请表”申请复审。责任学位评定分委员会在接到“复审申请表”后，应组织有关专家或分委员会成员对被盲审为不合格学位论文及盲审意见进行评议，如认同盲审结果，则应责成指导教师负责指导研究生在规定的期限内对论文进行认真修改。其盲审费用由导师或研究生承担。被盲审为不合格学位论文修改期限，博士不超过二年，硕士不超过一年，修改后的论文仍必须参加双盲评审，原则上由原评审人员重新评审。论文若再次被否决的，则取消该论文作者学位申请资格；盲审不过的常见2点原因？一塌糊涂论文是短时间内东拼西凑的，思路混乱，逻辑不清，文章篇幅很长，字数很多，数据也很丰富，但是整体论文没有一个中心讨论的点，不知道在讨论什么，只是现象而缺乏思考。审阅老师根本不知道论文做的是什么东西。数据质量不行许多同学的论文数据部分，量太少，甚至存在着杜撰数据的嫌疑的，都很有可能通不过。论文数据部分是审阅老师重点关注的部分，因此需要格外注重论文中数据部分的修改。更多研究生相关话题敬请关注：身在研途

原标题：翟天临博士论文曾通过“双盲审” 多个审查环节为何全部失守?近日，北京电影学院博士研究生、演员翟天临涉嫌学术不端的事件备受关注。据了解，目前北京市教育工委、市教委组成专项工作组，进驻学校督促指导开展工作，北京市纪委市监委也对相关问题的调查工作进行督导。昨天(15日)，教育部也就此事做出回应，教育部新闻发言人续梅表示，调查不仅涉及到翟天临本人是否存在学术不端，也涉及到工作中的各种环节。教育部对学术不端的坚持零容忍态度，绝不允许出现无视学术规矩，破坏学术规范，损害教育公平的行为，对于这件事而言，将坚持发现一起，核实一起，查处一起，绝不姑息。究竟有没有论文抄袭、学位注水，这些疑问仍需等待权威调查结果。但不论是博士毕业，还是博士后录取，要想跨入和走出高等院校的大门，都理应通过层层考核与筛选。然而，这些让普通人望而却步的“难关”，却让网友们在短短几天找出了诸多“破绽”。是学校真的没有发现，还是存在“猫腻”?漏洞背后反映了哪些深层次原因呢?翟天临涉事高校均启动调查程序教育部回应绝不姑息继网友曝光演员翟天临博士期间论文涉嫌抄袭之后，硕士论文也被曝光“查重率”过高，一石激起千层浪。目前，相关涉事高校均给出回应，北京电影学院已经成立调查组并按照相关程序启动调查程序。北大光华管理学院通报称，就涉嫌学术不端事件作出初步认定，将依法依规作出处理。而翟天临本人也发布道歉信，申请退出北大博士后相关工作。事件看似有了暂时性结果，但热度依然不减。昨天(15日)，教育部新闻发言人续梅在被问到此问题时表示，教育部对此高度重视，不光是涉及到本人是否涉嫌学术不端，也涉及到工作的其他各个环节是否有问题，教育部绝不允许出现无视学术规矩、破坏学术规范，损害教育公平的行为。续梅：“教育部对于学术不端行为一贯的鲜明态度，就是零容忍。绝对不能允许出现这种无视学术规矩、破坏学术规范、损害教育公平的行为。对于这些行为，我们坚决发现一起、核实一起、查处一起，绝不姑息。我们相信有关方面会非常认真严肃地进行后续的核查工作，依法依规作出处理，也会第一时间向社会公布相关的处理情况。”博士生论文需经过开题、调研、撰写、查重、审查等环节有网友认为，翟天临涉嫌学术不端事件一直热度不减，并非单单因为他演员的身份，更重要的是，这一事件引发了公众心中“教育公平”的底线。博士研究生，一直以来都被认为是学术界的精英群体，但其实他们“满心为科研，一把辛酸泪”。从博士入学到毕业，一路要过过关斩将，入学考试难、专业学习枯燥、文献开题复杂、科研实践繁琐、毕业论文写作更是难上加难。山东省社科院法学所助理研究员白利寅直言，读博的过程就是一种煎熬：“我自己在撰写博士论文过程中的确感觉到是一种煎熬，最后出来的博士论文的成果其实不是特别满意，但是我觉得大致达到一个要求了。我扁桃体发炎，一直发烧，就是匆忙地在撰写，头发也白了一半。”白利寅说，许多人都知道博士论文开题难、写作难，但很多人不知道的是，在学位论文答辩前，博士生还需要在国内核心刊物上公开发表由本人入学后独立撰写的一至若干篇学术论文。白利寅：“很多博士毕不了业的原因可能就是发表论文没有搞定，不同的学校有不同的要求，比如说发表几篇C刊，而毕业论文是10万字以上的，就是以毕业论文为例吧，要经过开题、调研、收集文献、撰写提纲、撰写主体内容、审查等几个环节。在这个过程中，对学术的规范性要求很高，比如说，写完博士论文之后第一遍过的就是机检，就是我们说的知网的查重，查重复率，你重复率必须保持学校规定的一个范围，这样你才能有资格去答辩。然后毕业论文还要经过外审专家匿名评审，最后要经过答辩委员会通过，整个的过程。它既包括学术规范性的要求，又包括你对论文本身创新性等等的要求”。知名博导：查重率越来越严国内某知名高校的一位博导表示，现在各个高校对于博士生论文的查重已经越来越严格：“各个高校非常重视，实际上都会有比较严格的学生学位这方面的管理的条例。那么就是研究生的毕业，像我们学校是非常严格的。比如说SCI的，或者是CSSCI的，就是若干篇论文，有的尤其到了博士阶段的话，往往会我们讲有一个小核心，他论文的期刊的发表论文的期刊的数量也就更加少了。那么要求也更加高了，因为主要要保证学术期刊的品质，必须要在那些指定的期刊上面发表若干篇论文。”专家：翟天临事件背后涉及多方面深层次问题一般而言，攻读博士学位，最少需要三年时间，多则七八年也是常见。有数据显示，我国博士延期毕业率高于56%，也就是说，一半以上的博士都不能正常毕业。但是，不知道知网为何物，论文“查重率”过高的翟天临不仅顺利毕业，还风光的成为了北大光华管理学院的博士后。21世纪教育研究院副院长熊丙奇认为，翟天临涉嫌学术不端背后，其实已经涉及到培养模式、导师指导方式以及评价制度等多方面深层次问题。熊丙奇：“在强调硕士和博士的规模的情况之下，一个导师可能带的学生就比较多。再加上现在我国的科研评价体系，也引导很多的教授他去关注论文课题经费，没有时间去陪学生一起做科研，然后导致学生可能根本就没有接受多少学术训练，急功近利的去追求这种任务的发表，这也就出现了相应的这种学术不端和学术造假。”近年来，除了明星被曝论文抄袭，企业高管、官员也都在跨界成为名校的“博士”。熊丙奇表示，名人凭借权力、地位、财富而非学术能力获得学术光环的背后，无非是“利益交换”四个字。熊丙奇：“用教育资源和学位资源来跟相关的一些人士进行利益交换的问题。现在比如说大家关注的就是官员或者明星读博士。学校可能是给他一个博士的头衔，然后去相应的获得一些资源，比如说跟明星之间就可能会获得一些名气。因此这样一来可能会出现他在具体的培养管理过程中放水的问题。老师可能一方面讲一个比较疏于管理，而另一方面可能本身就没想到过要去严格去要求，由此就导致了大家发现网友很容易找出的问题。”翟天临博士论文曾通过“双盲审”、论文答辩会，导师均不直接参与《新闻纵横》编辑在北京电影学院的官网上，查到了博士学位申请的相关规定。翟天临需要在答辩前，在国内一级刊物或国际核心刊物上发表或被接受发表至少一篇入学后独立撰写的学术论文。写出具有博士水平的学位论文;也就是说，他必须具有博士水平论文的写作能力，由指导教师推荐，才能可提出学位申请，这是第一步。此外，论文应表明作者具有独立从事科学研究工作的能力，并在科学或专门技术上做出创造性的贡献。博士学位论文字数要求为8-15万字。这里面，“独立”两个字是关键。如果说以上的这些规定，依赖导师的判断的话，博士论文还要经过“双盲评审”，就是指将评阅人姓名对学位论文作者及其导师隐去， 同时将学位论文作者及其导师姓名对评阅人隐去而进行的学位论文评审工作。显然，这个看似公正严格的环节也“形同虚设”。最后，学校要举行博士学位论文答辩会，既然是委员会，肯定不止一个专家。北京电影学院规定，答辩委员会由5位或7位本学科具 有正高职称(原则上应为博士生导师)的专家组成，至少有2位校外专家，由校外专家担任答辩委员会主席，导师不担任本人所指导博士生的答辩委员会成员。遗憾的是，网友能发现的问题，如此多的专家学者却视而不见。从开题、调研、撰写，到审查、盲审、答辩，一篇博士论文的产生，如环节不可谓不多，制度设计不可谓不完善，但为何却一一失守?翟天临事件不应该成为个案调查的终点，而应该是整顿高校学术腐败的开端。记者：李欣、王逸群[来源：中国之声 编辑：可可]

机器之心整理参与：李亚洲、吴攀当地时间 2017 年 4 月 24-26 日，第五届 ICLR 会议将在法国土伦举行。会议的第一天已经过去，在这一天的会议上有什么值得关注的亮点呢？机器之心在本文中介绍了研究者 Carlos E. Perez 在 Medium 上总结的那些虽然被拒，但仍然值得关注的／有亮点的论文，还对谷歌、百度、Facebook 展示的部分热门研究论文进行了介绍。另外，ICLR 的官方 Facebook 主页有视频直播，现在也已能看到部分录制的视频：https://www.facebook.com/iclr.cc十篇被拒的好论文研究者与开发者、Intuition Machine 联合创始人 Carlos E. Perez 在 Medium 上发布了一篇文章，介绍了那些 ICLR 2017 却不幸被拒，但仍有价值的十篇论文。据作者介绍，因为本届 ICLR 的论文评议方式存在很大的主观性（实际上也引起了很大的争议，参阅机器之心文章《学界 | ICLR2017 公布论文接收名单，匿名评审惹争议》），所以很多原本可能比较优秀的论文却因为某些原因被刷了下去。Perez 说：「这就是这个不幸的现实。」比如牛津大学、Google DeepMind 和加拿大高等研究院（CIFAR）的研究人员提出LipNet 的重要论文《LipNet: End-to-End Sentence-level Lipreading 》就出人意料地被拒了，不过这篇论文并没有被包含在这份名单中。下面就列出了这十篇值得关注，却惨遭淘汰的论文。注：本文仅代表原作者的个人观点，不表示机器之心的立场。1. 一种联合多任务模型：为多 NLP 任务生长一个神经网络（A Joint Many-Task Model: Growing a Neural Network for Multiple NLP Tasks）作者：Kazuma Hashimoto, Caiming Xiong, Yoshimasa Tsuruoka, Richard Socher地址：https://openreview.net/forum?id=SJZAb5cel说明：这是一篇真正新颖的论文，给出了一种逐步生长（grow）神经网络的方法。这篇论文居然被拒了，真是让人惊讶！这篇论文为什么很重要呢？因为其表明了网络可以如何通过迁移学习（transfer learning）和域适应（domain adaptation）的方式进行开发。目前还没有多少论文在这个领域探索。2. 分层的记忆网络（Hierarchical Memory Networks）作者：Sarath Chandar, Sungjin Ahn, Hugo Larochelle, Pascal Vincent, Gerald Tesauro, Yoshua Bengio地址：https://openreview.net/forum?id=BJ0Ee8cxx说明：这也是一篇关于 NLP 的论文。瞧瞧其作者名单，这么多明星研究者的论文居然也被拒了，真是吓人！这篇论文可以说是探索记忆的层次概念的最早期的论文之一。大多数记忆增强式的网络往往只有扁平的记忆结构。这篇论文不应该被轻视。3.RL：通过慢速强化学习的快速强化学习（RL: Fast Reinforcement Learning via Slow Reinforcement Learning）作者：Yan Duan, John Schulman, Xi Chen, Peter L. Bartlett, Ilya Sutskever, Pieter Abbeel地址：https://openreview.net/forum?id=HkLXCE9lx说明：居然把这篇论文给拒了，评议者一定是在逗我！这可是一篇突破性的研究啊！我猜原因是因为标题里面的 RL 看起来太吓人了。任何关于元学习（meta-learning）的研究都应该是畅销货，然而这篇论文尽管有声名显赫的作者，但还是惨遭淘汰。真是不可想象！4. 揭秘残差网络（Demystifying ResNet）作者：Sihan Li, Jiantao Jiao, Yanjun Han, Tsachy Weissman地址：https://openreview.net/forum?id=SJAr0QFxe说明：我很喜欢这篇论文，因为其给出了一些关于如何使用残差或 skip 连接的有见地的经验法则。2016 年最热门的创新，一些人尝试解构这项技术，然而他们的努力却遭受了打击。有人说因为这项研究中使用了简化过的模型。但这个理由可以说是荒唐可笑，你难道不会选择使用简化模型来表征复杂的模型吗？这难道不是理所当然的事情吗？5. 一种神经知识语言模型（A Neural Knowledge Language Model）作者：Sungjin Ahn, Heeyoul Choi, Tanel Parnamaa, Yoshua Bengio地址：https://openreview.net/forum?id=BJwFrvOeg说明：又是一篇关于 NLP 的论文，又是 Yoshua Bengio 被拒的一篇论文。将知识库与深度学习融合应该是一项非常重大的成果，然而这篇论文却因为「缺乏新颖性（lack of novelty）」而被驳回。评议者抱怨最多的是该论文的书写风格，真是不幸。6. 知识适应：教会适应（Knowledge Adaptation: Teaching to Adapt）作者：Sebastian Ruder, Parsa Ghaffari, John G. Breslin地址：https://openreview.net/forum?id=rJRhzzKxl说明：当我第二遍刷被拒的论文时，我才注意到这一篇。毕竟我自己也是有所偏见的，我更倾向于寻找关于域适应和迁移学习的研究。这篇论文给出了一些非常好的想法。不幸的是，这些想法没能打动评议者。7. 张量混合模型（Tensorial Mixture Models）作者：Or Sharir, Ronen Tamari, Nadav Cohen, Amnon Shashua地址：https://openreview.net/forum?id=BJluGHcee说明：我非常喜欢这篇论文，参考我的另一篇文章：https://medium.com/intuitionmachine/the-holographic-principle-and-deep-learning-52c2d6da8d9，不幸的是，评议者对该研究太多怀疑了。8. 探究深度神经网络的表现力（On the Expressive Power of Deep Neural Networks）作者：Maithra Raghu, Ben Poole, Jon Kleinberg, Surya Ganguli, Jascha Sohl-Dickstein地址：https://openreview.net/forum?id=B1TTpYKgx说明：如果这样的基础理论和实验研究论文都会被拒，而那些像炼丹一样的所谓的「深度学习研究」却能得到支持，那还研究个毛线！9. 深度学习的 Hessian 特征值：奇点与超越（Eigenvalues of the Hessian in Deep Learning: Singularity and Beyond）作者：Levent Sagun, Leon Bottou, Yann LeCun地址：https://openreview.net/forum?id=B186cP9gx说明：WOW，Yann LeCun 的论文也被拒了，小伙伴们都惊呆了！这是故意在向著名作者的脸上丢鸡蛋吗？我猜想是因为这篇研究的基础实验数据不够性感，不能打动评审。有评论写道：「有趣的实验数据，但并没有理论。」简直是完全不切实际的期望。10. 一个对深度网络损失表面的实证分析（An Empirical Analysis of Deep Network Loss Surfaces）作者：Daniel Jiwoong Im, Michael Tao, Kristin Branson地址：https://openreview.net/forum?id=rkuDV6iex说明：在我另一篇文章，我谈到了关于随机梯度下降（SGD）作为一种隐式的正则化方法的另一个证据，这就是这篇论文所探讨的。但遗憾的是，这些挖掘出了非常令人印象深刻的数据的研究者却什么也没得到，只得到了论文被拒的羞辱。最后，Perez 也谈了谈自己对于这些被拒的论文的看法：那些试图提升我们的理解和经验的大胆研究不应该因为书写风格或没有足够的数据而受到惩罚。在研究的最前沿，获取合适的数据和进行实验要困难得多。我看到新颖的创新研究的问题之一是对评议者来说不太熟悉，然而遗憾的是，正是由于它们的新颖，作者却没能得到合理的对待。对于深度学习本质上的实验研究来说，回报实在太少了。在这些情形中，研究者常常会使用简化的模型来进行易于理解的分析。人们不应该总是关注有很好的实验结果，当然这对机器工作方式的表征是足够有价值的；但如果缺少理论研究，我们基本上就是在毫无方向地摸黑「炼丹」。人们很担忧，当前研究环境会对深度学习研究者越来越糟糕。这个领域发展得太快了，很多评议者的看法往往跟不上最新的研究发展。所以最后会造成批评写作风格而不是批评研究本质这样的情况发生。这么多好论文被拒，足以说明这种知识鸿沟之大。接下来，机器之心对大会第一天谷歌、百度海报展示的两篇论文进行了介绍，Facebook 对话系统方面的研究在昨天的官方博客中也有所介绍。谷歌：规模化的对抗机器学习在 ICLR 2017 大会上，谷歌提交了为数最多的论文。据谷歌博客介绍，围绕神经网络与深度学习的理论与应用，谷歌开发了进行理解与泛化的新的学习方法。此次大会，谷歌共有 50 多位研究人员参与。值得一提的是，三篇最佳论文中有两篇都是来自于谷歌。关于两篇最佳论文，机器之心在昨日的文章中已经进行了摘要介绍。但除了这两篇最佳论文，谷歌还 poster 展示了其他众多论文。其中，刚回到谷歌的 Ian Goodfellow 就海报展示了论文《Adversarial Machine Learning at Scale》。论文地址：https://arxiv.org/abs/1611.01236摘要：对抗样本（adversarial examples）是被设计用来愚弄机器学习模型的恶意输入。它们总是从一种模型迁移到另一个，让 attackers 在不知道目标模型的参数的情况下进行黑箱攻击。对抗训练（adversarial training）是在对抗样本上明确地训练模型的过程，从而使它可在面临攻击时更稳健或可减少它在干净输入上的测试错误率。目前，对抗训练主要被用于一些小问题。在此研究中，我们将对抗训练应用到了 ImageNet。我们的贡献包括：（1）推荐如何将对抗训练成功地规模化到大型模型和数据集上。（2）观察对抗训练对单步 attack 方法的稳健性。（3）发现多步 attack 方法要比单步 attack 方法有较小的可迁移性，所以单步 attack 对进行黑箱 attack 更好。（4）分辨出是「lable leaking」效应造成对抗训练的模型在对抗样本上的表现比在干净样本上的表现更好，因为对抗样本构造流程使用真实标签（true label），所以该模型能学习利用构造流程中的规律。百度：探索循环神经网络中的稀疏性和谷歌一样，百度也是本届 ICLR 大会的白金赞助商。在大会开幕的第一天，百度海报展示了一篇论文《EXPLORING SPARSITY IN RECURRENT NEURAL NETWORKS》，据百度介绍，这一在 RNN 上的新研究能够使用稀疏训练将网络大小减少 90%。论文地址：https://openreview.net/pdf?id=BylSPv9gx摘要：随着数据量、计算能力的提升，循环神经网络被普遍用来解决各种问题，也因此模型有大小。顶级的循环网络中的参数量使得他们难以部署，特别是在手机和嵌入式设备上。其中的挑战既在于模型的大小，也在于评估所要花费的时间。为了有效的部署这些循环网络，我们提出了一种技术，在网络的初始训练过程中通过剪枝权重的方法减少网络的参数。在训练结束时，网络的参数会稀疏，但准确率依然接近原始的密集型神经网络的准确率。网络的大小减小了 8 倍，而训练模型所需的时间不变。此外，在仍旧减少参数总量的情况下，我们能剪枝一个大型的密集网络从而获得比基线表现更好的结果。剪枝 RNN 减少了模型的大小，同时使用稀疏矩阵相乘极大的加速推论速度。基准表明，使用我们的技术能把大小减少 90%，速度提升 2 到 7 倍。Facebook：对话系统研究Facebook 的人工智能实验室主任 Yann LeCun 作为 ICLR 会议的发起人，在大会的第一开首先进行了演讲。此次 ICLR 大会，Facebook 也通过多种形式展现了自己的最新研究成果。在昨日机器之心的文章中，Facebook 着重介绍了他们在对话系统方面的研究。在官方博客中，Facebook 表示，「在让机器理解自然语言对话的内容一直是 Facebook 人工智能实验室的一项雄心勃勃的长期研究目标。真正有效的对话系统将会成为有效的辅助技术——其中会包含通过自然语言与人类进行交互的聊天系统。对话系统可以帮助用户更好地理解周遭的世界，更有效地与他人进行交流，消除沟通不畅的问题。随着网络世界的不断扩大，研究和开发这类技术正在变得越来越重要。」此次大会上，Facebook 被接收的有关对话系统的研究有 7 篇，总共被接收的论文量为 18 篇。

翟天临博士论文曾通过“双盲审” 多个审查环节为何全部失守？近日，北京电影学院博士研究生、演员翟天临涉嫌学术不端的事件备受关注。据了解，目前北京市教育工委、市教委组成专项工作组，进驻学校督促指导开展工作，北京市纪委市监委也对相关问题的调查工作进行督导。昨天(15日)，教育部也就此事做出回应，教育部新闻发言人续梅表示，调查不仅涉及到翟天临本人是否存在学术不端，也涉及到工作中的各种环节。教育部对学术不端的坚持零容忍态度，绝不允许出现无视学术规矩，破坏学术规范，损害教育公平的行为，对于这件事而言，将坚持发现一起，核实一起，查处一起，绝不姑息。究竟有没有论文抄袭、学位注水，这些疑问仍需等待权威调查结果。但不论是博士毕业，还是博士后录取，要想跨入和走出高等院校的大门，都理应通过层层考核与筛选。然而，这些让普通人望而却步的“难关”，却让网友们在短短几天找出了诸多“破绽”。是学校真的没有发现，还是存在“猫腻”？漏洞背后反映了哪些深层次原因呢？翟天临 涉事高校均启动调查程序教育部回应绝不姑息继网友曝光演员翟天临博士期间论文涉嫌抄袭之后，硕士论文也被曝光“查重率”过高，一石激起千层浪。目前，相关涉事高校均给出回应，北京电影学院已经成立调查组并按照相关程序启动调查程序。北大光华管理学院通报称，就涉嫌学术不端事件作出初步认定，将依法依规作出处理。而翟天临本人也发布道歉信，申请退出北大博士后相关工作。事件看似有了暂时性结果，但热度依然不减。昨天(15日)，教育部新闻发言人续梅在被问到此问题时表示，教育部对此高度重视，不光是涉及到本人是否涉嫌学术不端，也涉及到工作的其他各个环节是否有问题，教育部绝不允许出现无视学术规矩、破坏学术规范，损害教育公平的行为。续梅：“教育部对于学术不端行为一贯的鲜明态度，就是零容忍。绝对不能允许出现这种无视学术规矩、破坏学术规范、损害教育公平的行为。对于这些行为，我们坚决发现一起、核实一起、查处一起，绝不姑息。我们相信有关方面会非常认真严肃地进行后续的核查工作，依法依规作出处理，也会第一时间向社会公布相关的处理情况。”博士生论文需经过开题、调研、撰写、查重、审查等环节有网友认为，翟天临涉嫌学术不端事件一直热度不减，并非单单因为他演员的身份，更重要的是，这一事件引发了公众心中“教育公平”的底线。博士研究生，一直以来都被认为是学术界的精英群体，但其实他们“满心为科研，一把辛酸泪”。从博士入学到毕业，一路要过过关斩将，入学考试难、专业学习枯燥、文献开题复杂、科研实践繁琐、毕业论文写作更是难上加难。山东省社科院法学所助理研究员白利寅直言，读博的过程就是一种煎熬：“我自己在撰写博士论文过程中的确感觉到是一种煎熬，最后出来的博士论文的成果其实不是特别满意，但是我觉得大致达到一个要求了。我扁桃体发炎，一直发烧，就是匆忙地在撰写，头发也白了一半。”白利寅说，许多人都知道博士论文开题难、写作难，但很多人不知道的是，在学位论文答辩前，博士生还需要在国内核心刊物上公开发表由本人入学后独立撰写的一至若干篇学术论文。白利寅：“很多博士毕不了业的原因可能就是发表论文没有搞定，不同的学校有不同的要求，比如说发表几篇C刊，而毕业论文是10万字以上的，就是以毕业论文为例吧，要经过开题、调研、收集文献、撰写提纲、撰写主体内容、审查等几个环节。在这个过程中，对学术的规范性要求很高，比如说，写完博士论文之后第一遍过的就是机检，就是我们说的知网的查重，查重复率，你重复率必须保持学校规定的一个范围，这样你才能有资格去答辩。然后毕业论文还要经过外审专家匿名评审，最后要经过答辩委员会通过，整个的过程。它既包括学术规范性的要求，又包括你对论文本身创新性等等的要求”。知名博导：查重率越来越严国内某知名高校的一位博导表示，现在各个高校对于博士生论文的查重已经越来越严格：“各个高校非常重视，实际上都会有比较严格的学生学位这方面的管理的条例。那么就是研究生的毕业，像我们学校是非常严格的。比如说SCI的，或者是CSSCI的，就是若干篇论文，有的尤其到了博士阶段的话，往往会我们讲有一个小核心，他论文的期刊的发表论文的期刊的数量也就更加少了。那么要求也更加高了，因为主要要保证学术期刊的品质，必须要在那些指定的期刊上面发表若干篇论文。”专家：翟天临事件背后涉及多方面深层次问题一般而言，攻读博士学位，最少需要三年时间，多则七八年也是常见。有数据显示，我国博士延期毕业率高于56%，也就是说，一半以上的博士都不能正常毕业。但是，不知道知网为何物，论文“查重率”过高的翟天临不仅顺利毕业，还风光的成为了北大光华管理学院的博士后。21世纪教育研究院副院长熊丙奇认为，翟天临涉嫌学术不端背后，其实已经涉及到培养模式、导师指导方式以及评价制度等多方面深层次问题。熊丙奇：“在强调硕士和博士的规模的情况之下，一个导师可能带的学生就比较多。再加上现在我国的科研评价体系，也引导很多的教授他去关注论文课题经费，没有时间去陪学生一起做科研，然后导致学生可能根本就没有接受多少学术训练，急功近利的去追求这种任务的发表，这也就出现了相应的这种学术不端和学术造假。”近年来，除了明星被曝论文抄袭，企业高管、官员也都在跨界成为名校的“博士”。熊丙奇表示，名人凭借权力、地位、财富而非学术能力获得学术光环的背后，无非是“利益交换”四个字。熊丙奇：“用教育资源和学位资源来跟相关的一些人士进行利益交换的问题。现在比如说大家关注的就是官员或者明星读博士。学校可能是给他一个博士的头衔，然后去相应的获得一些资源，比如说跟明星之间就可能会获得一些名气。因此这样一来可能会出现他在具体的培养管理过程中放水的问题。老师可能一方面讲一个比较疏于管理，而另一方面可能本身就没想到过要去严格去要求，由此就导致了大家发现网友很容易找出的问题。”翟天临博士论文曾通过“双盲审”、论文答辩会，导师均不直接参与《新闻纵横》编辑在北京电影学院的官网上，查到了博士学位申请的相关规定。翟天临需要在答辩前，在国内一级刊物或国际核心刊物上发表或被接受发表至少一篇入学后独立撰写的学术论文。写出具有博士水平的学位论文；也就是说，他必须具有博士水平论文的写作能力，由指导教师推荐，才能可提出学位申请，这是第一步。此外，论文应表明作者具有独立从事科学研究工作的能力，并在科学或专门技术上做出创造性的贡献。博士学位论文字数要求为8－15万字。这里面，“独立”两个字是关键。如果说以上的这些规定，依赖导师的判断的话，博士论文还要经过“双盲评审”，就是指将评阅人姓名对学位论文作者及其导师隐去， 同时将学位论文作者及其导师姓名对评阅人隐去而进行的学位论文评审工作。显然，这个看似公正严格的环节也“形同虚设”。最后，学校要举行博士学位论文答辩会，既然是委员会，肯定不止一个专家。北京电影学院规定，答辩委员会由5位或7位本学科具 有正高职称(原则上应为博士生导师)的专家组成，至少有2位校外专家，由校外专家担任答辩委员会主席，导师不担任本人所指导博士生的答辩委员会成员。遗憾的是，网友能发现的问题，如此多的专家学者却视而不见。从开题、调研、撰写，到审查、盲审、答辩，一篇博士论文的产生，如环节不可谓不多，制度设计不可谓不完善，但为何却一一失守？翟天临事件不应该成为个案调查的终点，而应该是整顿高校学术腐败的开端。记者：李欣、王逸群

机器之心整理参与：思源、蛋酱、泽南从反传的自动微分机制，到不平行语料的翻译模型，ICLR 2020 这 9 篇满分论文值得你仔细阅读。早在去年12月，ICLR 2020的论文接收结果就已经出来了，其接收率达到了26.5%。ICLR 2020今年4月26日将在埃塞俄比亚首都亚的斯亚贝巴举行，因为这次会议只保留了四个等级：reject、weak reject、weak accept和accept，因此有30多篇论文获得了“满分”。在这篇文章中，我们将简介其中的9篇满分（全8分）论文，它们最终都被接收为Talk 论文，届时论文作者会在大会上做长达十多分钟的演讲报告。论文：BackPACK: Packing more into Backprop链接：https://openreview.net/forum?id=BJlrF24twB机构：图宾根大学、不列颠哥伦比亚大学在深度学习中，自动微分框架只在计算梯度时才是最强的。但实际上，小批量梯度的方差或者其它逼近海塞矩阵的方法，可以和梯度一样高效地计算。研究者对这些计算值非常感兴趣，但DL框架并不支持自动计算，且手动执行又异常繁杂。为了解决这个问题，来自图宾根大学的研究者在本文中提出一种基于PyTorch的高效框架BackPACK，该框架可以扩展反向传播算法，进而从一阶和二阶导数中提取额外信息。研究者对深度神经网络上额外数量的计算进行了基准测试，并提供了一个测试最近几种曲率估算优化的示例应用，最终证实了BackPACK的性能。BackPACK项目地址：https://github.com/toiaydcdyywlhzvlob/backpack图注：BACKPACK可以和PyTorch无缝拼接，并在反向传播中获得更多的信息，如上右图可以获取梯度的方差信息。评审决定：接收为Talk论文；评审意见：这篇论文高效的计算了各种反传的量，包括梯度的方差估计、多种海塞矩阵近似量，以及梯度量。与此同时，论文还提供了软件包，所有评审者都认为改论文是非常好的工作，大会应该接收它。论文：Mirror-Generative Neural Machine Translation链接：https://openreview.net/forum?id=HkxQRTNYPH机构：南京大学、字节跳动训练神经机器翻译模型通常需要大量平行语料，它们是非常昂贵的，那么我们为什么不考虑充分利用非平行语料训练翻译模型？在这篇论文中，研究者提出了一种名为镜像-生成式NMT的模型（MGNMT），它由单一的架构组成。该架构集成了源语言到目标语言的翻译模型、目标语言到源语言的翻译模型，其中两种翻译模型与语言模型都共享相同的潜在语义空间。因此，整个架构的两种翻译模型都可以从非并行数据中更高效地学习。上面图1和图2分别展示了MGNMT的图示与镜像属性。在图1中，x和y分别是不同的语言，它们之间是需要互译的，与此同时，这两种语言同时共享隐藏语义空间z。在图2中，研究者展示了x、y、z三者具体的关系是什么样的，不论是语言模型还是翻译模型，隐藏变量z都是共享的。评审决定：接收为Talk论文；评审意见：这篇论文提出了一种新方法以考虑生成式神经机器翻译模型中的双向互译，该方法显著提升了翻译准确度。三位评审者都非常欣赏这篇论文，尽管他们注意到性能收益会随着模型复杂度的提升而变小。不管怎么样，该基线结果是非常有竞争力的，也许在这些数据集上的提升以后并不会特别大了。总体而言，我发现这篇论文非常优秀，并且强烈建议接收这篇论文，也许它可以作为口头报告论文。论文：GenDICE: Generalized Offline Estimation of Stationary Values链接：https://openreview.net/forum?id=HkxlcnVFwB机构：杜克大学，谷歌马尔可夫链的平稳分布（stationary distribution）所定义的数量是强化学习和蒙特卡洛方法中的一个重要问题。在实际应用程序中，许多对基础转换运算符的访问仅限于已经收集的固定数据集，而不包括与环境的其他交互。研究者认为，在固定数据的情况下，完成一致的估计仍然是有可能的，重要的应用中仍然可以实现有效估计。研究者提出了GenDICE算法，并证明了该方法在一般条件下的一致性。此外，研究者还提供了详细的错误分析，并演示了在基准任务上的强大经验性能。评审决定：接收为Talk论文；评审意见：作者开发了应用于Infinite Horizon强化学习任务的离策略价值评估框架，用于评估马尔可夫链的平稳分布。审稿人对这项工作印象非常深刻。论文：A Theory of Usable Information under Computational Constraints链接：https://openreview.net/forum?id=r1eBeyHFDH机构：北京大学、斯坦福大学等研究者提出了一个用于在复杂系统中进行信息推理的新框架。该研究的基础是香农信息理论的变体扩展，该方法考虑了观察者的建模能力与计算约束。与香农的互信息不同，新框架并不违反数据处理不平衡的情况，可以通过计算构建F-information。这与深度学习分层抽取特征信息的表达方式类似。根据实验，研究者证明预测性F-information比相互信息对结构学习和公平表示学习更有效。评审决定：接收为Talk论文；评审意见：所有评审者都接收了该论文。论文：CATER: A diagnostic dataset for Compositional Actions & TEmporal Reasoning链接：https://openreview.net/forum?id=HJgzt2VKPB机构：卡内基梅隆大学在这篇论文中，研究者假设当前视频数据集存在一些隐式偏差，尤其是在场景和目标结构上，这可能会使时间结构改变。为此，研究者构建了一个具有完全可观察和可控制的目标、场景偏置，这样的视频数据集确实需要时空的理解才能解决，研究者将该数据集命名为CATER。除了具有挑战性外，CATER还提供了许多诊断工具，可以通过完全可观察和可控制的方式来分析现代时空视频架构。通过CATER，我们可以洞悉某些最新的深度视频体系结构。评审决定：接收为Talk论文；评审意见：总体来说，所有评审者都发现该论文比较易读，并且对于数据集构造、任务定义、实验设定与分析都提供了足够的信息。该论文收到所有评审员的一致赞同（3 accepts）。论文：Dynamics-Aware Unsupervised Skill Discovery链接：https://openreview.net/forum?id=HJgLZR4KvH机构：谷歌、剑桥大学通过新方法DADS，人形智能体可以在无奖励机制的情况下自行发现运动的合理机制。传统上，基于模型的强化学习（MBRL）是旨在学习全环境动态的模型。优秀的模型应该倾向于让算法生成多种不同问题的解法。在这项工作中，研究人员结合了基于模型和无模型的基本学习方法，从而简化了基于模型的计划，提出了无监督学习算法Dynamics-Aware Discovery of Skills（DADS）。这种方法能发现可预测的行为并学习其动态。从理论上讲，这种方法可以学习无数种行为动态。实验证明，这种zero-shot规划方法显著优于标准MBRL和无模型目标条件RL方法，可以处理稀疏奖励任务。评审决定：接收为Talk论文；评审意见：这是一篇非常有意思的无监督技能学习论文，它基于技能效果的可预测性，并将它们整合到基于模型的强化学习中。因为所表达想法和写作的清晰，同时因为令人信服的实验，这篇论文很明确应给被接收。论文：Restricting the Flow: Information Bottlenecks for Attribution链接：https://openreview.net/forum?id=S1xWh1rYwB机构：慕尼黑工业大学、柏林自由大学归因方法（Attribution method）提供了对机器学习模型（如人工神经网络）决策的见解。对于给定的输入样本，这类方法为每个单独的输入变量（例如图片的像素）分配相关性分数。在这项工作中，作者将信息瓶颈概念用于归因。通过将噪声添加到中间特征图，我们可以限制信息流，并量化（以bit为单位）图像区域中提供的信息。作者在VGG-16和ResNet-50上与十个不同基线模型进行了比较，新方法在六种配置上有五种优于所有基线。评审决定：接收为Talk论文；评审意见：三个评审者都强烈建议接收该论文。该项研究非常清晰、新颖，同时对该领域有显著的贡献。论文：Mathematical Reasoning in Latent Space链接：https://openreview.net/forum?id=Ske31kBtPr机构：自谷歌研究院作者设计了一种简单的实验，以研究神经网络是否可以在固定维度的隐空间中执行近似推理的多个步骤，发现算法可以成功地对语句执行的一组重写（即转换），表示该语句的基本语义特征。实验证明，图神经网络可以对语句的重写成功进行效果很好地预测，在隐形传播的多步骤情况下也是如此。评审决定：接收为Talk论文；评审意见：这篇论文受到了评审者的一致好评，其主题也非常有意思，关注潜在空间中的数学推理。领域主席统一推荐该论文接收为口头报告论文，因此可以更形象地展示本文所进行的工作。论文：Why Gradient Clipping Accelerates Training: A Theoretical Justification for Adaptivity链接：https://openreview.net/forum?id=BJgnXpVYwSeId=KA65jj-wX机构：麻省理工学院作者提供了梯度剪裁在训练深度神经网络时有效性的合理解释。其关键因素是在实际神经网络训练样本中导出的新平滑度条件。研究人员观察到的梯度平滑，是一阶优化算法分析的核心概念，通常被认为是一个常数，证明了沿深度神经网络训练轨迹的显著变化。此外，该平滑度与梯度范数成正相关，并且与其他研究中的标准假设相反：它可以随着梯度范数而增长。这些观察结果限制了现有算法理论的适用性，后者依赖于平滑度的固定界限。评审决定：接收为Talk论文；评审意见：梯度裁剪目前变得越来越重要，因此很高兴能看到论文能从理论的角度挖掘它的优秀性能。所有评审都非常欣赏该项工作与最终结果。

原标题： 别让“变味”的同行评议绑架学术【记者调查】刚刚过去的元旦假期，北京某高校教师李然（化名）花了小半天埋首定制祝福信息。信息的去向，都是领域内知名专家或论文评审人：“踏上学术道路的那一刻起，同行评议就无处不在，不知什么时候成果就到人家手里了。不搞好关系怎么行？”岁末年初，不少单位拉开了职称评审的大幕，各高校也开始了一年一度的科研成果盘点。而不管是评职称、发论文，还是选拔人才、评估学科……如今，众多评价都绕不开四个字——“同行评议”。当破除“五唯”顽瘴痼疾达成共识，这项评价机制更是被寄予了“学术守门人”的厚望。但记者调研发现，不少学生、学者却对同行评议制度的进一步推行持不同意见，有人忧虑在现有学术生态下，同行评议会演变为学术权威的“一言堂”，还有人担心“清理了‘唯论文’，迎来了‘唯关系’”。学者担忧：绕不开的同行评议，躲不过的人情利益一位不愿具名的知名学者告诉记者，有一次他应约评审一个基金项目，“本子还没拿到手，连我自己都不知道要评谁，对方高校领导说情的电话就打来了。”中国人民大学外国语学院教授郭英剑为记者梳理了当前国内学术界同行评议发挥效用的五个方面：“一是国家级别的相关人才选拔会邀请相关领域的专家对其进行评审，做出是否达到相关人才称号的学术水平的结论。二是各个高校引进人才时邀请校内外专家进行评审。三是校内评职称时，会把申请晋升职称者的材料发到校内外专家手中，请他们写出评审意见，做出是否达到晋升职称学术水平的判断。四是相关出版机构、学术刊物会将要出版的著作、要发表的论文交由相关专家做出是否值得出版、能否达到发表水平等结论。五是学位论文的同行专家评议，要求相关专家做出是否准予答辩或是否应该授予学位的结论。”采访中，学者们并不否认在此前一段时间高校内外过度追求SCI论文相关指标背景下，学术同行评议制度是相对客观、科学和公正的科研评价技术和手段，但他们却对现行的同行评议制度颇有质疑，认为在国内现有学术生态下，同行评议可能会演变为学术权威、长官意志的“一言堂”，以及各种帮派的“人情关系网”。一位不愿具名的知名学者告诉记者，有一次他应约评审一个基金项目，“本子还没拿到手，都不知道要评谁，对方高校领导的说情电话就打来了。”清华大学电机系教授于歆杰则坦言，他在投稿中也遇到过评委的暗示：“比如会有意见说‘你的研究还有几篇论文值得关注’，暗示投稿人进行引用，实际上是可引可不引的东西。”中国科学院院士、国家自然科学基金委员会原主任杨卫也倍感其中的掣肘所在：“在中国，同行评议的四个公正性障碍是：学术关系网，这主要指专家之间的学派归属、传承关系、合作关系等;利益冲突，这主要指评审专家与评审对象之间可能有的利益关联与利益输送关系;群体博弈，这主要指多个学科由于共同的评估利益而采取的一致性博弈行为;专家选取的权威性，这是指因为一刀切地避免利益冲突，而产生的二流评一流的现象。”难题待解：谁来评议、如何评议、谁来监督“在参加其他高校的博士论文答辩中，我看到过匿名评审专家的意见非常简单模糊，简单到只有两三句话，但结论却是‘博士论文达不到水平，反对答辩’。”除了公正性质疑外，记者调查了解到，“谁来评议、如何评议、谁来评议‘同行评议’”等三大难题成为学界对同行评议制度普遍关注的焦点，也使得对现行制度的质疑还集中在以下几点：一是科学性难以保证。同行评议的科学性要建立在庞大、专业的专家库基础上，但记者了解到，当前很多高校并未有此专家储备，很多同行评议只是“在几个相熟专家中打转”。在中国科协名誉主席、中国科学院院士韩启德看来，这涉及交叉学科时问题更大，他提出在学科交叉的同行评议时要注意评议专家的选择、要给予答辩和充分讨论的机会、对评议结果要设立申诉机制、事先对评委进行培训。二是促进性未能体现。多年学术生涯中，于歆杰遇到过很好的同行评议专家，但有时候也能明显看出专家并未认真审看其送审论文，“提出的问题很不专业”，让作者不知“从何改起”，只好放弃。更严重的现象则集中在学位论文评审中。郭英剑在参加其他高校的博士论文答辩中，就看到过匿名评审专家的意见非常简单模糊：“简单到只有两三句话，但结论却是‘博士论文达不到水平，反对答辩’。大家对这种不负责任的同行评议很不满，但也很无奈。”三是追责制度尚未构建。不少学者反映，当前最常见的同行评议形式是组成项目评审委员会或者评审组，属于一次性、松散的组织形式，如果评价结果产生错误，实际上无人担责。此外，对于同行评议结果的商榷制度等也并未完善。四是有效性飘忽不定。“目前的情况是，有时同行评议结果具有决定性，比如在学位论文评审、刊物文章发表中，‘意见定生死’;而在有些评审中，比如教师职称评审中，同行评议又似乎只是一个过场。”郭英剑说。改革建议：提高同行评议制度的科学性、透明性、公平性和可靠性“同行评议制度评审的是‘人’，评审者眼中要有‘人’，不能只看到‘成果’。要通过成果看到一个人的成长、学术努力、发展潜力，一个人之于学科发展的重要性。”记者梳理发现，在多份教育改革文件中，如何完善同行评议，并未给出具体路径。好的同行评议制度究竟什么样?提高同行评议制度的科学性、透明性、公平性和可靠性，成为学界期待。“必须很好地回答：同行评议包括哪些学术;同行评议的组织机构怎么组成、怎么运行;同行评议由哪一级机构来审批，权限是什么;很多评审是行政性的评审，学术同行的评议是否有效?”厦门大学教育研究院院长别敦荣认为，不解决这些问题，同行评议制度很难真正发挥作用。于歆杰建议，足够庞大、专业的专家库建设是首要保障：“比如清华电机系有一个一百多人、覆盖国际上电气工程领域顶级专家的专家库名单。受评人可以提出一些与其研究方向相近的学者建议名单，系里在从库里选取专家进行同行评议的时候会适度考虑受评人的建议。同时，我们还辅以内部选择机制，如果一位专家总是说好话，提不出中肯建议，我们会考虑将其从专家库中过滤掉。”郭英剑认为，好的同行评议应该分层评审，并做好权重分配：“如果以最受人关注、与高校教师利益最为密切的职称评审为例，可以分为四个层次：一是校内外相关领域专家的评审，二是学院一级学术委员会的评审，三是学校学科组的评审，四是学校学术委员会或大评委的评审。这四级评审制度不能过分强调任何一个方面或者任何一级，每个层级要有权重、有平衡，既要重视第一层级的专家意见，让其在后来的三级评审中继续发挥作用，同时，也要防止这第一层级权力过大，致使一个或者少数专家的意见或许就此否定乃至封杀了一个人的学术成果。同行评议制度要有相互制约的机制。”在对刚性制度的追求之余，郭英剑还强调不要忽视同行评议不同于数论文机械、冰冷的一面：“同行评议制度评审的是‘人’，评审者眼中要有‘人’，不能只看到‘成果’。要通过成果看到一个人的成长、学术努力、发展潜力，一个人之于学科发展的重要性。”[来源：光明日报 编辑：古德]

在中国，用于评估研究人员、分配资金和对机构进行排名的主要指标之一是科学引文索引(SCI)收集的指标。SCI是一个收录了9000多份期刊文章和引文记录的数据库。自2009年以来，中国机构作者在这些期刊上发表的文章从每年12万篇左右增加到2019年的45万篇。一些机构甚至为在其中发表论文的研究人员支付奖金。这也就有了众多学者争先恐后发论文，给杂志社灌水的行为，即为发一些质量较差的论文也可称之为水论文。混毕业的人，能发一篇，常说是水一篇。所谓水刊，存在水分，包括但不限于自我引用率高、审稿暧昧、接受率高等方面。相反，许多水刊的影响因子分数的却偏高。不久前，就有学者以“鸟屎+石墨烯”做实验（据报道，用大量元素掺杂石墨烯可以增强其电催化性能。看来，无论我们在石墨烯中添加什么“废料”，电催化作用都会增加。），成功在顶级期刊发论文，极大讽刺了该领域灌水文章的行为。不过此前教育部、科技部已表示：不再把SCI论文指标作为职称评聘的直接依据。近日，江苏省更是挂出了《关于2020年度江苏省科学技术奖提名工作的通知》通知：其实前一段时间，科技部已发文《关于破除科技评价中“唯论文”不良导向的若干措施（试行）》！有多项重要举措，对科技评价将产生重大影响，其中明确指出：代表作，国内科技期刊论文原则上应不少于1/3。不得要求在申报书、任务书、年度报告等材料中填报论文发表情况。鼓励财政资金资助的论文在高质量国内科技期刊发表。单篇论文发表支出超过2万元人民币的，需经该论文通讯作者或第一作者所在单位学术委员会对论文发表的必要性审核通过后，方可在国家科技计划项目专项资金中列支。除此之外，2020年博后基金申请的变动很多：“科研成果和奖励”要求填报代表申请人最高学术水平和科研成果的论文、专著、专利或奖励等，可以从以上类型材料中任选，但总数不超过 3 个。2020年度中国博士后科学基金资助工作改革举措，具体如下：一、全面落实代表作评价制度克服唯论文、唯职称、唯学历、唯奖项的评价倾向，使专家更加注重申请人标志性成果的质量、贡献和影响，全部资助项目的学术及科研成果类资料只要求提供代表申请人最高学术水平和科研成果的论文、专著、专利或奖励3个，可以从以上类型中任选。二、进一步加强科研诚信建设全部资助项目都要求申请人签署承诺书，并交设站单位备案。三、改进特别资助（站前）着力吸引优秀博士进站开展博士后研究工作，坚持高水平平台、高水平导师的培养模式，加大紧缺人才的引进。1.放宽申报条件。将新近进站的博士后研究人员的在站时间延长至一年，即从上一批次申报截止时间至本批次申报截止时间进站的博士后研究人员均可申报。2.改进评审指标。突出高水平平台、高水平导师的要求，并使评价内容更清晰、可评价。如上所述，其实不只是资深科研工作者的评奖考核条件，或是博士后资质的评审指标，对于逐步踏入科研大门的博士生来说，论文写作也需要高质量的输出。不久前，清华大学也因“不再强制要求博士生在学期间发表论文”的新闻刷了屏，这就意味着，在理论层面，清华2019级入学的博士生一篇论文不发就可以毕业了，校方本意上也是希望减少“为了毕业而发无效用论文”的学生群体吧。这引发了我们进一步去思考，该如何鼓励博士们生多发高质量的论文呢？最近几年，关于博士研究生教育的热点新闻不少，其中最引发社会关注当前也正重点整治的是博士论文质量低劣不合格的问题。另外一个热点是博士生毕业延期，甚至有越来越多博士生在最长学习期限仍然无法完成博士毕业要求，被取消学籍。博士生毕业延期已成为常态。小编认为：以上两个热点都与近年来的博士论文匿名评审有关系。正因为存在博士论文质量低劣的问题，越来越多高校将博士论文纳入到教育部学位中心匿名评审系统，试图通过匿名评审防范博士论文答辩中的人情关系，保证博士论文质量。毫无疑问，博士论文匿名评审极大地防止了水平低劣博士论文的通过，从防劣方面讲，教育部学位中心匿名评审贡献巨大。各高校为了防止不合格博士论文出现，普遍对教育部学位中心匿名评审意见作出越来越严厉的规定，且越来越多高校开始实行严格的预答辩制度。应对博士论文质量的关键是严格培养制度。只要博士论文是认真撰写的，言之有理，没有抄袭，通过了严格程序的答辩，这样的博士论文就应当是合格的。不过，博士教育最重要的不是要培养出大批合格却平庸的博士，而且要鼓励大批具有原创能力的创新型人才的野蛮成长。大批创新型人才的涌现才是博士教育的目标。你怎么看，欢迎大家留言评论！

机器之心整理编辑：微胖2017 ICLR 将于 4 月 26-27 日在法国东南部港口城市土伦举行。近日，大会接收论文名单公布。在 507 篇提交论文中，有 15 篇论文应邀进行演讲，poster 181 篇，应邀参加研讨会的有 48 篇。其中，FAIR 合著被接收的论文共 14 篇。全部结果：https://openreview.net/forum?id=BkjLkSqxg图片来自 Nando 推特这 15 篇应邀演讲的论文分别是：Making Neural Programming Architectures Generalize via RecursionPDF:https://openreview.net/forum?id=BkbY4psggJonathon Cai, Richard Shin, Dawn SongEnd-to-end Optimized Image CompressionPDFhttps://openreview.net/pdf?id=rJxdQ3jegJohannes Ballé, Valero Laparra, Eero P. SimoncelliOptimization as a Model for Few-Shot Learninghttps://openreview.net/pdf?id=rJY0-KcllSachin Ravi, Hugo LarochelleLearning End-to-End Goal-Oriented Dialoghttps://openreview.net/pdf?id=S1Bb3D5ggAntoine Bordes, Y-Lan Boureau, Jason WestonTowards Principled Methods for Training Generative Adversarial Networkshttps://openreview.net/pdf?id=Hk4_qw5xeMartin Arjovsky, Leon BottouReinforcement Learning with Unsupervised Auxiliary Taskshttps://openreview.net/pdf?id=SJ6yPD5xgMax Jaderberg, Volodymyr Mnih, Wojciech Marian Czarnecki, Tom Schaul, Joel Z Leibo, David Silver, Koray KavukcuogluMulti-Agent Cooperation and the Emergence of (Natural) Languagehttps://openreview.net/forum?id=Hk8N3SclgAngeliki Lazaridou, Alexander Peysakhovich, Marco BaroniUnderstanding deep learning requires rethinking generalizationhttps://openreview.net/forum?id=Sy8gdB9xxChiyuan Zhang, Samy Bengio, Moritz Hardt, Benjamin Recht, Oriol VinyalsNeural Architecture Search with Reinforcement Learninghttps://openreview.net/pdf?id=r1Ue8HcxgBarret Zoph, Quoc LeQ-Prop: Sample-Efficient Policy Gradient with An Off-Policy Critichttps://openreview.net/forum?id=SJ3rcZcxlShixiang Gu, Timothy Lillicrap, Zoubin Ghahramani, Richard E. Turner, Sergey LevineLearning to Act by Predicting the Futurehttps://openreview.net/forum?id=rJLS7qKeAlexey Dosovitskiy, Vladlen KoltunOn Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minimahttps://openreview.net/forum?id=H1oyRlYggNitish Shirish Keskar, Dheevatsa Mudigere, Jorge Nocedal, Mikhail Smelyanskiy, Ping Tak Peter TangSemi-supervised Knowledge Transfer for Deep Learning from Private Training Datahttps://openreview.net/pdf?id=HkwoSDPggNicolas Papernot, Martín Abadi, lfar Erlingsson, Ian Goodfellow, Kunal TalwarAmortised MAP Inference for Image Super-resolutionhttps://openreview.net/forum?id=S1RP6GLleCasper Kaae Snderby, Jose Caballero, Lucas Theis, Wenzhe Shi, Ferenc HuszárLearning Graphical State Transitionshttps://openreview.net/forum?id=HJ0NvFzxlDaniel D. Johnson另外，Nando 在推特上公开表示了对以下几篇论文的赞赏和喜爱。论文：Third Person Imitation Learning，作者： Bradly C Stadie, Pieter Abbeel, Ilya Sutskever论文：Molar Multitask Reinforcement Learning with Policy Sketches作者：Jacob Andreas, Dan Klein, Sergey Levine论文：Optimization as a Model for Few-Shot Learning作者：Sachin Ravi, Hugo Larochelle论文：Making Neural Programming Architectures Generalize via Recursion（被 Nando 形容为突破）作者：Jonathon Cai, Richard Shin, Dawn Song不过，有趣的是，2016 年刷爆各路媒体的 LipNet 论文却出人意料地遭拒。来自牛津大学、Google DeepMind 和加拿大高等研究院（CIFAR）的研究人员发表了一篇具有重要价值的论文，提出了 LipNet——一种可以将可变长度的视频序列映射成文本的模型，其使用了时空卷积、一个 LSTM 循环网络和联结主义的时间分类损失（connectionist temporal classification loss）。它是第一个将深度学习应用于模型的端到端学习的模型，可以将说话者的嘴唇的图像帧序列映射到整个句子上。这个端到端的模型在预测句子前不再需要将视频拆分成词。在 GRID 语料库上，LipNet 实现了 93.4% 的准确度，超过了经验丰富的人类唇读者和之前的 79.6% 的最佳准确度, 将自动唇读技术的前沿水平推进到了前所未有的高度。在不久的将来，这一视频识别应用会非常有用。——机器之心报道（重磅论文 | 如何通过机器学习解读唇语？DeepMind 要通过 LipNet 帮助机器「看」懂别人说的话）据悉，Nando de Freitas 和匿名评审产生了激烈冲突，评审认为，论文并无洞见和让人惊艳的结果。但是，Nando 感觉受到了羞辱，指责评审论点根本是废话，也不懂深度学习，评审建议毫无必要。Nando 认为，匿名评论不合理，但是，评审认为这位大牛有以大压小的嫌疑。最终，会议 AC 坚决站在了评审这边，拒了这篇论文，连研讨会都没有收。机器之心分析师个人认为：我也觉得 LipNet 算法方面创新有限，demo 视频也没有给人惊艳感。LipNet 也是挂在 zisserman 名下的文章，它的实验结果很优秀，但是 ICLR 好像有一个更关注算法创新和理论推进这种高大上的初衷，所以 , LipNet 这样的文章如果是几年前深度学习还没那么热的时候应该是会被录取的，因为那时候，你只要用深度学习又征服了一个新的 cv 或者其他领域的一个课题或应用，就有可能发到相关的顶级会议，可如今深度学习文章已经满大街了，再拿这种征服一个课题上的几个数据集，或者发布一个大规模数据集的方式来发 ICLR 就略显草率了，也不像 DeepMind 的逼格，纯属个人拙见。Github 上也有网友表示，在读了许多论文的评审建议后，发现 LipNet 的评审建议最富洞见，也最有趣，当然，也极富争议。这既暴露了某些自负，也暴露了学术大牛和匿名评审之间的冲突，这至少表明，评审程序还是起作用的，没有像媒体一样跟风炒作。

作者：王逢鑫Photo by Chris Yang on Unsplash“匿名”这个词使用越来越广泛。与“实名”的意思相反，“匿名”的意思是“不署名或不署真实姓名，以隐瞒真实姓名或身份”。英语形容词anonymous、副词anonymously、名词anonymity 都有“匿名”的意思。例如：1. You can remain anonymous if you wish.如果你愿意，可以不透露姓名。2. These photographs were sent anonymously to the magazine’s headquarters.这些照片以匿名方式被送到了该杂志的总部。3. The expert thinks that there is no way to truly rid the Internet of anonymity.这位专家认为，没有办法可以真正使互联网摆脱匿名的特点。人们为了不同的目的而“匿名”， 或出于善意，或出于恶意。anonymous等词在不同语境中既有褒义，也有贬义。anonymous的第一个含义是表示当事者在投票、评审和调查等活动中维护公平原则，即 for the sake of fairness。例如：4. Five professors made anonymous assessment of the PhD candidate’s dissertation.五位教授匿名评审了这名博士生的学位论文。anonymous的第二个含义是表示当事者帮助人做好事不留名，即for the sake of benefit。例如：5. Thanks to an anonymous donor, the school for children of migrant workers was able to purchase some blackboards, a table-tennis table and a computer.多亏了一位匿名捐赠者，这个打工子弟学校才能购买一些黑板、一张乒乓球桌和一台电脑。anonymous的第三个含义是表示当事者为了自身安全而做事（如举报）不留名，即for the sake of safety。例如：6. The drug dealer was arrested by the police after an anonymous tip-off.有人匿名举报后，这个毒品贩子被警方逮捕。anonymous的第四个含义是表示当事者不愿暴露或不便透露姓名或身份，即e to reluctance。例如：7. The money was donated to the orphan by a local businessman who wished to remain anonymous.这笔钱是一位不希望透露姓名的本地商人捐给这个孤儿的。anonymous的第五个含义是表示对当事者的情况不了解，即 e to ignorance。例如：8. On the morning of his birthday, the young man received an anonymous gift.生日那天早晨，这个年青人收到一份匿名的礼物。unnamed或unknown也有“匿名”的含义。unnamed的意思是“未提及名字的”。例如：9. The reporter had an interview with an unnamed official.这位记者采访了一位不愿透露姓名的官员。unknown的意思是“不知姓名的”。例如：10. The visiting president laid a wreath at the monument to the unknown hero.这位来访的总统向无名英雄纪念碑敬献了花圈。“匿名”也可以用 to ask not to be named（要求不透露姓名），not to want to be named（不想透露姓名），to decline to name sb（拒绝点出名字），to decline to be named（拒绝透露姓名），to decline to be identified（拒绝暴露身份）等方法表示。本文转自《英语世界》官网来源：英语世界官网