欢迎来到加倍考研网! 北京 上海 广州 深圳 天津
微信二维码
在线客服 40004-98986
推荐适合你的在职研究生专业及院校
7 Papers|GCN大佬公开博士论文;谷歌提出扩展型BERT架构芬兰版

7 Papers|GCN大佬公开博士论文;谷歌提出扩展型BERT架构

机器之心 & ArXiv Weekly Radiostation参与:杜伟、楚航、罗若天本周的重要论文包括谷歌提出的扩展型 BERT 架构 Tapas,以及 GCN 作者的博士论文。目录:SYNTHESIZER: Rethinking Self-Attention in Transformer ModelsInteractive Video Stylization Using Few-Shot Patch-Based TrainingTransferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-RankingHow to Train Your Energy-Based Model for RegressionTAPAS: Weakly Supervised Table Parsing via Pre-trainingmemeBot: Towards Automatic Image Meme GenerationDeep Learning with Graph-Structured RepresentationsArXiv Weekly Radiostation:NLP、CV、ML更多精选论文(附音频)论文 1:SYNTHESIZER: Rethinking Self-Attention in Transformer Models作者:Yi Tay、Dara Bahri、Che Zheng 等论文链接:https://arxiv.org/pdf/2005.00743v1.pdf摘要:众所周知,点积自注意力(dot proct self-attention)对于 SOTA Transformer 模型是至关重要且不可或缺的。但有一个疑问,点积自注意力真的这么重要吗?在本文中,来自谷歌研究院的几位作者研究了点积自注意力机制对于 Transformer 模型性能的真正重要点和贡献。通过一系列实验,研究者发现(1)随机对齐矩阵(random alignment matrice)的执行效果出人意料地好;(2)从 token-token(查询 - 键)交互中学习注意力权重并不是那么重要。基于此,研究者提出了 Synthesizer,这是一个无需 token-token 交互即可学习合成注意力权重的模型。本研究提出的 Synthesizer 模型架构图。在 WMT’14 英语 - 德语、WMT’14 英语 - 法语机器翻译任务以及 10 亿语言建模(LM1B)任务上的 NMT 和 LM 效果对比。在摘要式归纳(CNN / 每日邮报)和对话生成(PersonalChat)任务上归纳和对话效果对比。推荐:本研究提出的 Synthesizer 在 MT、语言建模、摘要式归纳、对话生成以及多任务语言理解等一系列任务上的性能均媲美于最原始的(vanilla)Transformer 模型。论文 2:Interactive Video Stylization Using Few-Shot Patch-Based Training作者:Ondej Texler、David Futschik、Daniel Skora 等论文链接:https://ondrejtexler.github.io/res/Texler20-SIG_patch-based_training_main.pdf摘要:在本文中,捷克理工大学和 Snap 公司的研究者提出了一种用于关键帧视频风格化的学习方法,借助这种学习方法,艺术家可以将风格从少数选定的关键帧迁移至序列其他部分。这种学习方法的主要优势在于最终的风格化在语义上有意义,也就是说,运动目标(moving object)的特定部分根据艺术家的意图进行风格化处理。与以往的风格迁移方法相比,本研究提出的学习方法既不需要任何冗长的预训练过程,也不需要大型训练数据集。研究者展示了在仅使用少数风格化范例且隐式保持时序一致性的情况下,如何从零开始训练外观转换网络。由此得出的视频风格化框架支持实时推理、并行处理以及任意输出帧的随机访问。此外,这种学习方法还可以合并多个关键帧中的内容,同时不需要执行显式混合操作。研究者验证了这种学习方法在各种交互场景中的实用性,在这些场景中,用户在选定关键帧中绘画,并且绘画风格可以迁移至已有的记录序列或实时视频流中。利用本研究中学习方法的风格化序列范例。具有关键帧的视频风格化设置。完整帧训练方法与本研究中少样本 Patch 训练方法的效果比较。推荐:本研究中少样本 Patch 训练方法的亮点在于它可以在与帧无关的模式下运行,这对当前严重依赖随机访问和并行处理的专业视频编辑工具非常有利。论文 3:Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking作者:Hongjun Wang、Guangrun Wang、Liang Lin 等论文链接:https://arxiv.org/pdf/2004.04199.pdf摘要:在本文中,来自中山大学、广州大学和暗物智能科技的研究者们通过提出以一种学习误排序的模型来扰乱系统输出的排序,从而检验当前性能最佳的 re-ID 模型的不安全性。由于跨数据集的可迁移性在 re-ID 域中至关重要,因此作者还通过构建新颖的多级网络体系结构进行半黑盒式攻击,该体系结构将不同级别的特征金字塔化,以提取对抗性扰动的一般和可迁移特征。该体系可以通过使用可微分的采样来控制待攻击像素的数量。为了保证攻击的不显眼性,研究者还提出了一种新的感知损失,以实现更好的视觉质量。在四个最大的 re-ID 基准数据集(即 Market1501、CUHK03、DukeMTMC 和 MSMT17)上进行的广泛实验不仅显示了该方法的有效性,而且还为 re-ID 系统的鲁棒性提供了未来改进的方向。Market-1501 和 CUHK03 上 AlignedReID 被攻击前后的 Rank-10 结果。绿色代表正确匹配。红色代表错误匹配。整体架构图。多阶段判别器图示。推荐:本文的亮点在于将将 SOTA 行人再识别系统精度降至 1.4%,并已被 CVPR 大会接收为 Oral 论文。论文 4:How to Train Your Energy-Based Model for Regression作者:Fredrik K. Gustafsson、Martin Danelljan、 Thomas B. Schon 等论文链接:https://arxiv.org/pdf/2005.01698v1.pdf摘要:近年来,基于能量的模型(Energy-based Model,EBM)在计算机视觉领域越来越流行。虽然这些模型通常用于生成图像建模,但最近的研究已经将 EMB 应用于回归任务(Regression Task),并在目标检测和视觉跟踪领域实现 SOTA。但是训练 EBM 不是一件简单的事情。另外,生成式建模(Generative Modeling)可以利用多种多样的方法,但将 EBM 应用于回归任务没有获得充分的研究。因此,如何训练 EBM 实现最佳的回归性能目前尚不清楚。在本文中,来自瑞典乌普萨拉大学和苏黎世联邦理工学院的研究者对这些问题展开了详实研究,提出了一种噪声对比估计(Noise Contrastive Estimation, NCE)的简单高效扩展,并与 1D 回归和目标检测任务上的 6 种流行方法进行了性能对比。对比结果表明,本研究提出的训练方法应被认为实最佳。研究者还将他们的方法应用到视觉跟踪任务上,在 5 个数据集上实现新的 SOTA。对于边界框回归等任务,本研究提出以噪声对比估计的简单高效扩展(文中表示为 NCE+)来训练基于能量的模型(EBM)。1D 回归实验训练方法的 D_KL 和训练成本对比。图左:用于 1D 回归实验的四种表现最佳方法的详细比较;图右:COCO-2017 Val 数据集上,用于目标检测实验的四种表现最佳方法的详细比较。四种方法均分别为 ML-IS、KLD-IS、NCE 和本研究提出的 NCE+。推荐:本研究中的跟踪器在 LaSOT 目标跟踪数据集上实现了 63.7% 的 AUC,在 TrackingNet 目标跟踪数据集上实现了 78.7% 的 Success。论文 5:TAPAS: Weakly Supervised Table Parsing via Pre-training作者:Jonathan Herzig、Pawe Krzysztof Nowak、Julian Martin Eisenschlos 等论文链接:https://arxiv.org/pdf/2004.02349.pdf摘要:谷歌在本文中提出了一种扩展型的 BERT 架构。该架构可对问题与表格数据结构进行联合编码,最终得到的模型可直接指向问题答案。并且,这种新方法所创建的模型适用于多个领域的表格。要想得到优良的模型,优质的数据自然是不可或缺的。谷歌首先使用了数百万个维基百科表格对模型进行预训练,然后又在三个学术级表格问答数据集上进行实验,结果表明新方法的准确度表现极具竞争力。不仅如此,谷歌开源了模型训练和测试代码,还公开分享了他们在维基百科数据上得到的预训练模型。本研究提出的 Tapas 模型以及对于问题 “排名前二的总天数(total number of days for the top two)” 的示例模型输出。问题 “查询(query)” 的编码以及使用 Tapas 特定嵌入的简单表格。表格(左)与对应的问题示例(右)。问题 5 是会话式。推荐:谷歌的这篇论文将 BERT 模型应用到了基于表格的问答场景中,为弱监督式的表格解析性能带来了显著提升。论文 6:memeBot: Towards Automatic Image Meme Generation作者:Aadhavan Sadasivam、Kausic Gunasekar、Yezhou Yang 等论文链接:https://arxiv.org/pdf/2004.14571v1.pdf摘要:近日,来自美国亚利桑那州立大学的研究者对 meme 图生成方法进行了改进提升。在这篇论文中,研究者提出了一种根据给定的输入语句来生成匹配图片的方法。这是一项很有挑战性但有趣的 NLP 任务。通过对 meme 图生成机制的深入了解,研究者决定将 meme 图生成与自然语言翻译相结合。在自然语言翻译工作中,为了将输入的语句转换为目标语言,必须对语句的完整含义进行解码,分析其含义,然后将源语句的含义编码为目标语句。类似地,此处也可以通过将源语句的含义编码为一对图像和标题,传达与源语句相同的含义或情感,从而将语句翻译成「梗」。受到这种方法的启发,研究者提出了一种端到端的编码 - 解码模型「memeBot」,面向任意给定的语句来生成 meme 图。同时在训练的过程中,他们制作出了首个大型 meme 图字幕数据集。memeBot 示意图。memeBot 模型架构图。对于给定输入序列,通过结合模板选择模块(template selection mole)选择的和标签生成 transformer(caption generation transformer)生成的表情包标签来创建新的表情包。附录 A:实验中所用 meme 字幕数据集包括的模版和图像。推荐:在制作沙雕表情包这件事上,AI也略胜一筹。论文 7:Deep Learning with Graph-Structured Representations作者:Thomas Kipf论文链接:https://pure.uva.nl/ws/files/46900201/Thesis.pdf摘要:近日,GoogleAI 大脑团队研究科学家、GCN 作者、阿姆斯特丹大学机器学习博士生 Thomas Kipf 宣布其博士论文《深度学习图结构表征》(Deep Learning with Graph-Structured Representations)可以下载了。在论文中,作者提出了利用结构化数据进行机器学习的新方法,这些方法主要基于结构化表示以及图表示的神经网络模型计算,由此当从具有显式和隐式模块结构的数据学习时可以提升泛化性能。GCN 作者 Thomas Kipf 宣布公开其博士论文(178 页)。论文部分目录。推荐:这篇博士论文涵盖了深度学习领域的一系列新兴主题,如图卷积网络和结构发现等。ArXiv Weekly Radiostation机器之心联合由楚航、罗若天发起的ArXiv Weekly Radiostation,在 7 Papers 的基础上,精选本周更多重要论文,包括NLP、CV、ML领域各10篇精选,并提供音频形式的论文摘要简介,详情如下:本周 10 篇 NLP 精选论文是:1. A Survey on Dialog Management: Recent Advances and Challenges. (from Yinpei Dai, Huihua Yu, Yixuan Jiang, Chengguang Tang, Yongbin Li, Jian Sun)2. Topological Sort for Sentence Ordering. (from Shrimai Prabhumoye, Ruslan Salakhutdinov, Alan W Black)3. Exploring Controllable Text Generation Techniques. (from Shrimai Prabhumoye, Alan W Black, Ruslan Salakhutdinov)4. CODA-19: Reliably Annotating Research Aspects on 10,000+ CORD-19 Abstracts Using Non-Expert Crowd. (from Ting-Hao 'Kenneth' Huang, Chieh-Yang Huang, Chien-Kuang Cornelia Ding, Yen-Chia Hsu, C. Lee Giles)5. AdapterFusion: Non-Destructive Task Composition for Transfer Learning. (from Jonas Pfeiffer, Aishwarya Kamath, Andreas Rücklé, Kyunghyun Cho, Iryna Gurevych)6. Extracting Headless MWEs from Dependency Parse Trees: Parsing, Tagging, and Joint Modeling Approaches. (from Tianze Shi, Lillian Lee)7. Soft Gazetteers for Low-Resource Named Entity Recognition. (from Shruti Rijhwani, Shuyan Zhou, Graham Neubig, Jaime Carbonell)8. Cross-lingual Entity Alignment for Knowledge Graphs with Incidental Supervision from Free Text. (from Muhao Chen, Weijia Shi, Ben Zhou, Dan Roth)9. TORQUE: A Reading Comprehension Dataset of Temporal Ordering Questions. (from Qiang Ning, Hao Wu, Rujun Han, Nanyun Peng, Matt Gardner, Dan Roth)10. Structured Tuning for Semantic Role Labeling. (from Tao Li, Parth Anand Jawale, Martha Palmer, Vivek Srikumar)本周 10 篇 CV 精选论文是:1. The AVA-Kinetics Localized Human Actions Video Dataset. (from Ang Li, Meghana Thotakuri, David A. Ross, Joo Carreira, Alexander Vostrikov, Andrew Zisserman)2. Adversarial Training against Location-Optimized Adversarial Patches. (from Sukrut Rao, David Stutz, Bernt Schiele)3. Streaming Object Detection for 3-D Point Clouds. (from Wei Han, Zhengdong Zhang, Benjamin Caine, Brandon Yang, Christoph Sprunk, Ouais Alsharif, Jiquan Ngiam, Vijay Vasudevan, Jonathon Shlens, Zhifeng Chen)4. StereoGAN: Bridging Synthetic-to-Real Domain Gap by Joint Optimization of Domain Translation and Stereo Matching. (from Rui Liu, Chengxi Yang, Wenxiu Sun, Xiaogang Wang, Hongsheng Li)5. Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia. (from Xi Ouyang, Jiayu Huo, Liming Xia, Fei Shan, Jun Liu, Zhanhao Mo, Fuhua Yan, Zhongxiang Ding, Qi Yang, Bin Song, Feng Shi, Huan Yuan, Ying Wei, Xiaohuan Cao, Yaozong Gao, Dijia Wu, Qian Wang, Dinggang Shen)6. CONFIG: Controllable Neural Face Image Generation. (from Marek Kowalski, Stephan J. Garbin, Virginia Estellers, Tadas Baltruaitis, Matthew Johnson, Jamie Shotton)7. Self-Supervised Human Depth Estimation from Monocular Videos. (from Feitong Tan, Hao Zhu, Zhaopeng Cui, Siyu Zhu, Marc Pollefeys, Ping Tan)8. Occlusion resistant learning of intuitive physics from videos. (from Ronan Riochet, Josef Sivic, Ivan Laptev, Emmanuel Dupoux)9. Multi-Head Attention with Joint Agent-Map Representation for Trajectory Prediction in Autonomous Driving. (from Kaouther Messaoud, Nachiket Deo, Mohan M. Trivedi, Fawzi Nashashibi)10. Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation. (from Zhaohui Zheng, Ping Wang, Dongwei Ren, Wei Liu, Rongguang Ye, Qinghua Hu, Wangmeng Zuo)本周 10 篇 ML 精选论文是:1. Partially-Typed NER Datasets Integration: Connecting Practice to Theory. (from Shi Zhi, Liyuan Liu, Yu Zhang, Shiyin Wang, Qi Li, Chao Zhang, Jiawei Han)2. Time Dependence in Non-Autonomous Neural ODEs. (from Jared Quincy Davis, Krzysztof Choromanski, Jake Varley, Honglak Lee, Jean-Jacques Slotine, Valerii Likhosterov, Adrian Weller, Ameesh Makadia, Vikas Sindhwani)3. Successfully Applying the Stabilized Lottery Ticket Hypothesis to the Transformer Architecture. (from Christopher Brix, Parnia Bahar, Hermann Ney)4. Interpreting Rate-Distortion of Variational Autoencoder and Using Model Uncertainty for Anomaly Detection. (from Seonho Park, George Adosoglou, Panos M. Pardalos)5. Physics-informed neural network for ultrasound nondestructive quantification of surface breaking cracks. (from Khemraj Shukla, Patricio Clark Di Leoni, James Blackshire, Daniel Sparkman, George Em Karniadakiss)6. Bullseye Polytope: A Scalable Clean-Label Poisoning Attack with Improved Transferability. (from Hojjat Aghakhani, Dongyu Meng, Yu-Xiang Wang, Christopher Kruegel, Giovanni Vigna)7. Plan2Vec: Unsupervised Representation Learning by Latent Plans. (from Ge Yang, Amy Zhang, Ari S. Morcos, Joelle Pineau, Pieter Abbeel, Roberto Calandra)8. Demand-Side Scheling Based on Deep Actor-Critic Learning for Smart Grids. (from Joash Lee, Wenbo Wang, Dusit Niyato)9. APo-VAE: Text Generation in Hyperbolic Space. (from Shuyang Dai, Zhe Gan, Yu Cheng, Chenyang Tao, Lawrence Carin, Jingjing Liu)10. EDD: Efficient Differentiable DNN Architecture and Implementation Co-search for Embedded AI Solutions. (from Yuhong Li, Cong Hao, Xiaofan Zhang, Xinheng Liu, Yao Chen, Jinjun Xiong, Wen-mei Hwu, Deming Chen)

爱情树

博士,为文章而活

我有钱,你有文章吗?在国外读博期间,paper会跟French fries, burger, coke等一样会成为你生活中的高频词汇,早上起来用读newspaper, 上厕所要用toilet paper, 去到办公室要读scientific paper, 打印要用A3 paper, 处理文件时还偶尔会有paper cut, 有了实验数据就要开始写paper, 为毕业遥遥无期感到焦虑,连梦呓里也是”我要发paper”。虽然说国外博士毕业不会像国内研究生那样有明码标价的文章数量要求,也就是说如果导师觉得你的工作量达到要求了,即使没有文章按道理也能顺利毕业,但是一般来说,毕业时手上一两篇文章还是有的,起到“遮羞布”的作用。我自己五年的博士期间,文章不多仅比遮羞布级别稍微好一点点,3篇一作1篇二作。对于博士学位和科研,我目标还是比较明确的,不抱有太多梦想与激情,只求按时毕业。第一篇发表的文章是一篇二作,是刚去第一年做的一个小项目,当然主要抱的是师兄的大腿,半年一篇二作的开局,让我对科研还是有了不少憧憬,但是开始做自己的项目之后,才发现到处都是坑,仿佛站在钉子户的高台上,往哪里迈脚都是一个结果。敢问路在h'f在接下来的一年多里,天天都在与失败且没有太多价值的实验结果搏斗,陷入希望带来失望的无限循环。我从这堆失败数据里巴拉了一些出来写了个报告,混过了资格考试,但是内心的着急却没有丝毫缓解。实在沉不住气了,我就直接跟老板聊天,说两年多了文章还八字没一点,这可咋办啊?老头来了一句把我打发了“focus on the science and everything will come along”。死撑到了第三年的下学期,终于等来我人生的第一篇一作(影响因子为14)。我还清楚记得,收到接收通知邮件时,我刚好走进一家pizza自助餐厅,逐字逐句地将邮件看了三遍然后放下手机,跟同伴们说了句,文章终于发出来了,大家一番道贺拍拍的肩膀,牛逼啊。在这之前的六百多个日日夜夜,我都在奢想这一刻到来时我该用什么样的方式来庆祝,来发泄我的兴奋和郁闷,可当这个瞬间真的到来时,我却出乎意料的平静,掺杂着点忧愁,甚至还丧失了本已准备好开怀大吃的胃口。在接来的一年多里,我又陆续发表了另外两篇文章,整个过程比较顺利,可能是把前面踩过的坑都被踏平了。在发第二篇文章时还有个小插曲,我的科研热情一度有所反弹,我带着激动与期许,把第二篇follow-up文章的稿子交到导师手里时,我默认了可可以尝试再投一次影响因子为14的杂志,而且非常有信心大概率会被接受的,毕竟日后回国发展的话,文章的数量和质量都非常重要的。结果,导师不紧不慢地说,"这次我们提交到JPCC(影响因子4.5左右,他眼里没有影响因子这个概念)", 我这暴脾气,实在是控制不住我自己,直接问道”why, ACS-Nano is apparently more influential“, 老头嘴角上扬,奸诈地说道”ring the progress of a project, we hope the results accessible to different communities." 听完这个回答,我心已经彻底凉透了,走出办公室后,我就钓鱼去了,还做个鸡毛实验。做完手上的项目,总共发了三篇一作,课题也顺利申请到了能源部的基金,能够资助课题的后续开展。读博读到了这个节骨眼上,我身上也没有太多剩余价值可以被榨取了,然后就愉快地按时毕业了,这五年也不失为一段不错的人生体验,即使不走上科研的事业,但终究会对我后续的人生产生极大的影响。

平拳

撰写翻译论文时到底应该如何区分Thesis,Dissertation和Paper?

很多童鞋在提交论文的时候,可能只顾一味地绞尽脑汁去如何构思,或者很多翻译员在论文翻译或者摘要翻译的工作中战斗了好多年,都无法准确清晰地辨别Thesis,Dissertation和Paper这三个词的具体区别是什么?今天我们就来探讨一下如何准确定义和区分这三个“论文”用词的差异。首先小编查阅了一下多语言网络百科全书维基百科针对这三个词的定义:“Thesis”和“Dissertation”,是放在一起来解释的,如下:Thesis或者Dissertation都是申请人用来申请学位或者某项专业资格而提交自己学术研究成果的一份文件。在某些特定环境中,Thesis特指的是学士学位或硕士学位论文,而Dissertation一般指的是申请博士学位的论文。而在其他情况下,反之亦然。Graate Thesis有的时候也会用来指代master's theses(硕士)和doctoral dissertations(博士)。Thesis和Dissertation对研究成果的复杂程度和质量度都会因国家、高校、甚至某个课程的不同而不同,所以所要求的研究周期自然也会有很大的区别。Dissertation有的时候也会用于跟学位无关的一些领域的论文,而Thesis也用于指代一篇普通文章或类似的作品。到了这里,我们先不着急去做比较分析,我们再来看下Paper这个词的定义,维基百科主要针对另外一层意思“纸”去做的解释,而牛津词典里面是这么说的,两层含义,一是转接撰写的超级学术论文,由出版社或期刊发表的;二是学术课程作业提交的较短一些的文章,一般叫做学期论文。我们再来整理一下,Thesis一般是跟本科和硕士学位相关的论文,而博士论文则用dissertations,其实这是美国学术界的用法。在英国则反之,Thesis更为常见的是指代博士论文。在英国大学里,thesis一般和博士PhD/EngD 以及研究性的硕士有关。然而,dissertation和授课型的硕士和本科学位(e.g. BA, BSc, BMus, BEd, BEng etc.)有关。而Paper则跟学位论文有所差异,更为常见的是用于期刊发表的学术论文。另外,大家可能会经常看到essay这个词,作为学生课程作业提交的论文或者作品,其实essay用在这个地方更常见。

陶陶兀兀

疫情无法做科研,博士在读,我的论文到底怎么办?

尽管国内疫情好转,但因为此次新冠疫情,很多人的生活和工作都受到了不同程度的影响。尤其是做科研的,比如我们。昨天,我们微信群里收到"开学延后"的消息,有的同学真的快"炸"了。因为我们20年6月马上就要毕业,最近还在忙毕业论文,经常熬夜到两三点这是常事儿。大家都在担心被疫情搁置的论文。"有条件科研,deadline怎么办,paper怎么办?""麻烦考虑一下需要写论文的博士生吧,毕业怎么办啊""可能是家里的显示屏质量差,辐射太大了。这几天真的头晕啊"……这几天,我的朋友圈里大家也是各种吐槽。真是让人着急。有的朋友自己本来想着年后提前返校,因此没有带电脑回家,整天无所事事。除了胖,更伤心的还有视力又下降了……不幸中的万幸,还好我用了向日葵远程,没有耽误。我开启了我的远程科研论文。首先我要将自己的电脑连接上实验室电脑。我这个举动简直太明智,相对于在家只能拿着手机看文献的同学,回来后我不仅可以用远程电脑继续研究,还能远程下载paper。虽然不能出门,但是在家的这段时间,也和家人增进了感情。平时教教我妈玩手机,学学做菜。哈哈。我得把这个好用的向日葵推荐给你们。操作很简单,简单介绍下新手如何用向日葵开展远程,使用方法是这样的:1. 打开向日葵客户端或者直接百度搜索向日葵官网去注册,找合适的版本下载就行。二、授权登录我选了先注册账号,授权登录下。如果是扫码登录,要手机APP版本必须9.8.6或以上版本才行。三、绑定主机远控登录帐号后,点击"立即绑定(无人值守)"把电脑产生的主机添加到主机列表。在家想通过无人值守远控实验室的电脑,那么要同时下载X版本客户端并登录同一个账号,家里的设备列表处找到实验室电脑的主机,点击即可远控就行啦。Tips:简单的远程操作,不用账号也可发起比如下载Windows X最新版本后,如果想控制对方的远程设备,只需要输入"伙伴识别码"就开始远程了。即使不必登录帐号即可发起远程控制。感谢向日葵给力,成功解决了我一个科研狗在疫情中的难题。以上经验,分享给那些在疫情中和我一样的搞科研,要写论文毕业的朋友们!

雷霆处之

博士真正搞科研的姿势,是这样的丨知乎高赞

萧箫 发自 凹非寺量子位 报道 | 公众号 QbitAI国内的各种科研人才,他们到底有什么与众不同之处?又或者,拥有什么样的科研能力,才能更好地成为科研人才?事实上,这些问题可以更具体一些:走上科研之路,需要培养什么能力?具体怎么样才能培养这些能力?为了回答这些问题,本文整理了知乎《一个博士生接受怎样的训练是完整、全面的科研训练?》问题下、来自各个领域博主的一些回答。在长期的学生涯中,他们已经积累了不少科研方面的经验。不仅是博士,这篇文章里面涉及到的学习能力,同样适合有志于科研、或是想要提升自我的同学。作为过来人,这些答主的观点,也许能给大家的求学路带来一些参考。搞科研,需要什么能力?严密的逻辑思维首先,是严密的逻辑思维能力。知乎答主@浩浩耗 表示,自己曾经也以为自己的逻辑思维足够严密,然而读博期间,才知道逻辑依旧可以被不断训练提升。其实曾经的我也不知天高地厚的以逻辑鬼才自居,直到进了我老板的组,第一次做组会汇报的时候,逻辑被锤了个稀巴烂……我们组会日常的一个训练叫做hypothesis talk, 其实就是像全组展示,你选择的研究方向是基于一个什么样的假设,然后大家围绕你的假设以及实验设计提出一系列的问题。其实这个很重要,因为基本上如果你要基于这个假设来开展你的项目,那么这个假设的好坏可以说就基本决定了你这个项目的上限,或者说的更直白一点,能发什么等级的paper。我博士四年,印象中听到老板说的最多的一句话,应该就是,只有当不管最终的实验结果是否支持你的hypothesis,你都能基于这个结果开展下一阶段的研究时,这才是一个好的hypothesis(用人话说,不管结果好坏,paper都能发)。就为了这句话,我的逻辑被摧残了四年,但现在回想起来,确实发现逻辑这东西是没有上限的,只要持续摧残,它依然能有所提高。△ hypothesis talk PPT内容,图源@知乎 浩浩耗快速锁定关键信息的能力此外,@浩浩耗 也表示,这里面同样需要用到快速锁定关键信息的能力。这个能力,主要用在读文献上,有助于对行业进行一个全面的了解。我自己感觉到读文献的能力有一个明显的提升,差不多是在一次大概一个月看了100篇文献之后吧。也是被我老板逼的,现在回想起来都有点发怵……所以没办法,只有逼着自己开启模式,记得当时给自己规定的是,一篇paper不能超过20min,并且之后要自己闭卷用英文把这篇文章的key point写出来。当然一开始非常痛苦,但越到后面发现速度越快,当然一个月后的项目讨论也比较顺利,并且我发现从此以后看文献的技能好像进入了下一个等级。现在的工作中,其实我每天也要阅读大量的信息,行业的,专业的,投资领域的,噢对,还有写知乎文章需要看的材料。发现从这个能力中受益颇深。心理承受能力除了上述有关论文与阅读文献的能力以外,@浩浩耗 也提到,抗压(心理承受)能力是必不可少的一环。最关键的在于,一定要有乐观的心态去接受。如今他度过博士生涯回看,调侃“博士期间如果没被锤过,那一定是不完整的,也是很可惜的一件事。”抗压能力,其实这个大家应该一个都跑不脱吧,只不过按在指压板上摩擦还是按在水泥地上摩擦的区别而已。实验失败,实验结果一拖屎,投稿被秒拒……这些无不是在锻炼我们的抗压能力。当然,我自己也曾被锤过,但自从工作以来,目前还没有觉得扛不住的时候,有几次遇到比较棘手的情况,想想之前受过的压力,锤子,这个算个球。另一位答主@刀客特李,也提到了心态训练的必要性,并进一步讲明了原因。对于科研来说,我们都是在和大自然(自然科学)或者复杂的社会(社会科学)打交道,挑战自己的极限。有成功更有失败,甚至失败的概率会更高些。这样,在博士前面几年,会不断的经历失败,并对自己的工作产生怀疑。同时,也有很大可能,承受着好几年过去了还有文章的精神压力,比不了业的压力,别人都工作了我还在读书的压力……可以说,读博是一种人生最高层次的历练,因为是在挑战人类的认知。对此,@刀客特李 表示,经历过这些以后,也能更坦然地面对生活中的其他苦难。当经历了这些以后,每一位成功毕业的博士都是值得尊敬的战士。我相信,人生后面遇到任何苦难,一位博士都可以坦然面对了。总结能力此外,在搞科研的过程中,@刀客特李 表示,总结能力对于写论文、作报告来说,也是必不可少的一环。它不仅有助于保证你处在行业最前沿,而且还会给你带来新的想法。平时读文献,看新闻,听报告,或是自己的灵感,遇到好的点子都可以随时记录下来。这样保证自己处于本领域或本行业的最前沿。同时业保证自己在做手头项目的同时,还有新的想法和工作可以展开。那么,这些能力有具体的培养途径吗?答主们针对这个问题,同样也给出了自己的见解。具体该怎么培养能力?搞科研,离不开看文献、做实验、写论文这三点,此外,也同样需要时间规划和自我提升。那么下面,就具体从这五点,来总结一下科研能力应该怎么培养。文献怎么看?首先,是阅读文献的能力。@刀客特李 表示,这里面最重要的,在于“坚持”和“方法”。如果不能保证每天都看,也要保证每周有看一定数量。读文献讲究方法。了解本领域最近进展,只看文章的标题和Abstract,遇到感兴趣的和重要的留下来重点关照。几年博士生涯下来,读过的文章超过几千篇,精读文章超过几百篇。实验怎么做?搞科研过程中最重要的一环,就是做实验,在这里,@刀客特李 认为,最重要的是有条理性,实验记录最好能分门别类,在需要用到的时候能尽快找出来。做实验记录的训练。做到必有实验日期、实验目的、实验过程、实验现象,还有实验结果。有产品ID,测试结果,对应的页码。实验记录本中的名字-代号-ID,和测试仪器以及个人电脑中的文件夹名字可以对应,方便随时查找。好好的打理实验记录本,有助于从数据中挖掘出有用的信息,从失败的结果中分析出可能的原因,也方便日后写文章时查找。△ 图源@知乎 刀客特李除了实验记录以外,画图的训练也是不可少的。我觉得博士下来,除了科研,还把自己训练成一个美工了,哈哈。专业画图软件,(包括)PS, AI, CAD, 3D软件等。除了这些以外,数据分析也会是很重要的一环(全能全才)。当然了,也少不了各种数据分析的训练。如理工科常会用到orgin,有些学科用matlab,python或者统计学绘图软件比较多。学术论文怎么写/投?投到顶会的学术论文,多为英文论文,对此,@刀客特李 也有自己的经验想要分享。关于科技论文英文写作,我的方法是积累,积累,再积累。你总结和积累的知识储备将成为你日后写作任何英文论文的捷径。那么具体操作办法就是多读你本身领域的顶尖期刊。什么叫顶尖,在我的材料领域顶尖就是Nature系列,Advanced Materials系列, Nano Letters, ACS Nano, Energy & Environmental Science等。然后我发现Abstract, Introction, Experiment, Results, Discussion, Conclusions, Supporting Information的写法都是不太的,所以我在每个板块都进行了分门别类的积累,具体是关于词汇,句子,段落和最重要的逻辑。但是这些不同板块也有很多相通之处,很多词汇,句子其实都是可以用在各处的。你会在这些部分都发现有很多在你本领域内高频出现的词汇,短句,句子,这些都是你从实际的高水平论文多次筛选出来的,意味着曾被你领域内的大牛,大师,同行们多次使用,所以肯定是万无一失的。同时还有作用就是让你了同义转换,以免某一文章里某个词出现太多次。此外,对于论文投稿,@刀客特李 同样也有自己的建议。既然提到写作和期刊,那么一个必不可少的训练就是投稿、拒稿和修改稿件的训练,和与不同期刊小编or同行大牛们的斡旋训练。在这个过程中,你会逐渐把握不同期刊的风格、文书风格、发表周期、对创新性的要求。这样,当你下一个工作完成之时,基本上也就知道大概可以投到哪里了。时间规划那么,科研具体应该怎么搞呢?事实上,在做科研的过程中,大多数人遇到的第一个门槛都是,既要做科研,又要抽空充实自己(或是完成学分等其他事情)。这也是读书的时候,我们都会遇到的问题。所以,知乎@刀客特李 给出了自己的建议:选择足够有代表性的专业课。选择足够有代表性的专业课,课程的成绩大部分为优秀。在博士第一年和第二年的时候。每个学期要至少选2门专业课(指的是海外博士,国内的话,可能是4门以上),同时做科研工作。这个过程其实是比较痛苦的。因为其实光是上课、完成作业、期中期末考试就不容易了。国外的研究生课程通还要组队做project、做presentation,一个学期3门课已经苦不堪言,4门课还能同时做TA或RA的已经是到了极限。但这是博士头两年的必经过程,必须要训练这个,同时handle多门课程+项目,且不耽误自己科研的能力。如果能跨过第一个“平衡时间”的门槛,那么就可以接着往下走了,@刀客特李表示,演讲、参会和了解行情,其实也是做科研需要锻炼的能力。自我提升这里面,其实需要的是一个“主动性”:只有多主动去寻找科研机会、提升自己,更好的机会才会眷顾上门。首先,试着多参加学术会议。博士期间,多参加学术或行业会议。尝试在会议中做报告(最好是英文的国际报告)或poster,争取拿一些奖(如:XX会议最佳展示奖,海外优秀自费留学生奖……)通过在会议上作报告,锻炼自己的演讲能力。演讲训练,如做presentation的能力。作为博士,势必要在系里、学校里登台演讲;在国际会议如MRS、ACS、IEEE等大场合登台演讲;qualify、预答辩、答辩。不利用这些机会把自己锻炼成一个合格的演说家,真的不算是完整、全面的科研训练啊。此外,通过参与会议、或者其他途径,多接触领域内著名的教授、团队或课题组,因为他们对这个领域肯定有自己更深的看法。而如果现实一点的话,建立自己在科研圈的人脉也是需要的。尝试了解本领域全世界的著名课题组、教授或团队,各自的风格和长处是什么。尝试与这些人包括论文中的大牛见面,聊天,甚至建立更深入的联系。这是对科研人脉圈的训练,未来在博士以后去找pos-doc,教职,工业界工作甚至申请国外绿卡都会帮到大忙。不过,很多人其实并不是不知道怎么做,而是“没时间”、坚持不下来。所以无论观点如何,适合自己的才是最好的,参照上面的建议、有计划地对自己进行提升,才是博士真正搞科研的姿势。所以,上面的能力与培养的方向,都是前人留下的意见,但采纳与否、是否需要去做,最终还是需要我们走出自己的路。

德荡乎名

你问我读博的痛苦领悟?我能给你说三天三夜……

读博前我认为博士是在突破人类知识的边界,是在自己所从事的研究领域创造新的辉煌;读博后我才越来越觉得大部分博士其实根本没有摸清这个边界的轮廓,更多的是在边界内打转转。读博前我雄心壮志,自命不凡,认为自己一定会百尺竿头更进一步;读博后我才越来越明白,我只是个普通人,只能在自己有限的能力内做一些微不足道的创新。读博后我才深深地体会到:理想很丰满,现实很骨感;理想是气球,现实是铅球。要我说读博的痛苦领悟,我觉得理想往往就像一只美丽的蜻蜓,现实却很可能就像一只丑陋的蟑螂,读博和生活一样,假亦真时真亦假,真亦假时假亦真,真真假假,假假真真这才是现实。今天就和自己身边的博士小伙伴聊聊读博期间的痛苦领悟:一是供大家乐呵乐呵,人生无非是你笑笑我我笑笑你罢了;二是前车之鉴,希望大家引以为戒。@可能延毕的学姐每个选择读博的人最初都抱有着科研理想,只是科研这件事、这套体系有太多我们“不可控”的因素,使得实现科研理想的过程显得尤为艰难。实现科研理想就是这么一件不可控的事,从选导师、定方向、做课题到写文章、审稿、找工作,每个环节都有很多不确定性。就像你永远不可能准确预测一个科学问题何时被解决,你也无法预测自己何时毕业,实验是否会符合预期,甚至课题是否会被抢发……可能要延毕的老学姐想说:论文论文论文快到碗里来。@心里有苦说不出的佳宝宝我觉得时间都是“挤”出来的。读博前,憧憬的博士研究生活是每天穿着实验服,像模像样地在实验室做做实验,晚上整理下数据,然后顺理成章地发表SCI.....读博后,才发现自己真是Too Young Too Naive。原来读博除了学习和科研,还有那么多的报账、文档整理、做PPT、跑腿事务要做,算下来几乎没有自己学习的时间,大部分时间都是在为导师服务。给你发500助研费,恨不得让你干50万的活。白天做尽杂事,导师还要时不时问你科研进展,若无,又要Diss说最近都在干什么,怎么什么都没做出来?我:???我干什么了你心里没数么?宝宝心里苦啊,但是宝宝不敢说。@自命清高的刘博士读博也要学会“投机取巧”。富人会在危机中攫取财富,学阀会在危机中攫取idea。“瞧,XXX用COVID19申请项目了”,你可能会对这种投机行为嗤之以鼻,就像鄙视那些在金融危机中“吸血”的资本家。但是,paper和金钱一样,都是“真香”的。自己曾经嗤之以鼻的正是现在求而不得的。@饱汉不知饿汉饥的凡尔赛学术功利害死“狗”。虽然自己现在已经发表了6篇SCI,但是我觉得自己学术太急功近利了,感觉也没有学到太多的知识,虽然自己现在已经被某某单位录取了,但是我感觉自己并不是很快乐(嘿嘿,是不是有点凡尔赛了)。现在我才感受到学术不要太功利,这对我来说真的是痛苦领悟,希望学术后人引以为戒。@恍然大悟的徐学姐尽早写文章,完成科研指标。如果对科研兴趣不浓、意志力不强的人读了博士以后,为了毕业一定要尽早写文章。只要有数据就开始写,不要怕写得烂,只有写起来以后才能感觉到自己缺哪些内容。万事开头难,只要论文开了头就离写出来不远了。只要写了出来,那就要求着老师赶紧修改,现在很多老师都忙,所以自己一定要主动催老师帮忙改文章。如果文章写出来了,早点投出去,只要编辑同意送审,那说明论文在编辑眼中已经有发表的潜质了。若等到老师来催文章,那就说明读博和科研进度已经慢于老师预期了,这是非常危险的征兆。博士学渣们,要毕业一定早点开始写文章,千万别想着攒个大文章而拖后写论文的进度。我就是早期不着急后期急死人的先例。@死的很惨的Miss张得罪谁也不能得罪导师。和导师维持健康积极的关系才能确保按时毕业。你对待导师真诚导师对待你也真诚,万事万物总是相互的。不要导师让你干活你就拒绝,不要导师催你写论文你就抗拒,不要导师找你做实验你就应付。导师是你学术道路以及未来职业发展中的重要人脉,无论是学术研究还是毕业求职,导师都是能够助你一臂之力的。所以眼光要长远,不要盯着眼前的蝇头小利。而我得罪了导师最终死得很惨。@崛强的小强找对研究方向比瞎努力更重要。我是极致追求完美主义者,也是极度倔强的一个人,不撞南墙不回头。博士开学来我始终是在与导师的执拗抗争下开展自己的研究,结果研究了两年才发现是一个死胡同,我很后悔当初没听导师的话,结果白白浪费了两年时间,不得已要更换研究方向,延毕已成必然,所以找对研究方向比努力更重要。不要在你以为的方向做自以为是的研究,要多听听导师的建议,更不要在一棵树上吊死。@佛系老李博从自命不凡到接受平凡。逐渐接受自己的平凡,慢慢学会和自己的内心和解。可能我们在初中、高中甚至本科期间成绩一直很优秀,但是有时候成绩真的不代表科研能力。读博时也会渐渐发现各种大神的存在。接受自己和别人有差距的现实,不要盲目和别人攀比,不要看到别人发了什么什么paper就在内心敲打自己“看看人家,看看你自己”,绝对不要这样,那样你会过的很痛苦。一定要看自己是不是有进步,是不是按照自己的节奏一点点地创造成果。@喜欢怄气的小姐姐不要与不懂你的人置气。读了博士,身边的本科同学大多数都应该毕业工作了,而你时间上还算自由,所以你本科的同学在面对工作的压力时都会觉得你在学校多自由啊,多好啊,甚至包括你们的父母,所以他们不懂你的苦,你找他们倾诉,他们也几乎get 不到你的点,这时候,你会觉得这世上没人能懂你,这个时候你会觉得你与身边的人是在两条平行线上,没有交集,所以他们不懂你也很正常。气大伤身,自己理解自己就够了。最后我想说,不管世界怎样变好或变坏,也不管读博痛苦或不快。既然我们不能改变世界,也不能改变读博的现实,我们要做的就是改变自己适应世界,适应读博的要求,有时候功利一点倒也没什么不好,说明你有了目标和方向。读博是为了不让自己留遗憾、有痛苦,我认为关键要做好两件事:一是规划好自己的未来,博士未来的出路在哪里,毕业就业的方向在哪里,只有知道自己想要什么才能知道自己怎么做;二是身体是1,万物为0,无论学习多忙,一定要坚持运动锻炼,身体是革命的本钱,不能以牺牲健康为代价而读博,否则万物归零。

庞鸿

ESSAY和PAPER究竟有啥区别?

白大侠留学攻略 第2期ESSAY和PAPER究竟有啥区别?03:19来自无聊英语“assignment和presentation有什么区别”“paper和essay 又有什么不同?今天大白就来给大家讲讲这些花样繁多的留学作业到底有什么区别。assignment ,A-s-s-i-g-n-m-e-n-t和homework是一个意思,但比homework更正式一些,也就是中文概念:“作业”的意思,可以泛指所有作业。Project,P-r-o-j-e-c-t指的是整个项目作业,是assignment的一种,一般由group小组一起完成的, 国外同学习惯称之为project,也可以叫group work,或team work小组作业。presentation,P-r-e-s-e-n-t-a-t-i-o-n就是演讲,是每个留学生必须要经历的一种作业,它需要用PPT做口头演示。内容是你要做的report或research调查报告里面涉及到的内容和结论简要,用边讲边展示的方式完成。Essay,英国人说的更多,一般指很短的论文或简单的课程作业,通常只有文献综述和对文献的批判分析,可以没有独立的数据和实证,即便有也是简化的。可以没有完整的数据或文献,也可以只针对一些著作或观点谈谈自己的想法和见解,这也是和paper最大的区别。而Paper,P-a-p-e-r这个词,美国人说的更多,指的是在校期间为某一门课程或者某一个具体研究领域写的比较学术的论文,常见的类型有:research paper研究论文,term paper学期论文,和 course paper课程论文, 第一个:Research paper研究论文,是留学生平时做的最多的一种作业,需要通过对已发布的学术性文章进行搜索研究。然后是,学期论文Term paper:学期论文是写原创作品,详细讨论一个话题,通常是在期末交。最后一个是.dissertation,D-i-s-s-e-r-t-a-t-i-o-n毕业论文,一般是在博士期间需要写作的论文,它的结构更加的系统,字数都要过万。而国外还有很多的大学本科并没有像中国大学本科一样对毕业论文有硬性要求,更多是看平时小论文和课堂表现的叠加动态评分。把你最想了解或体验过的有趣留学知识留言给我们吧~以上就是关于留学作业和论文的知识 希望你出国前提前学习。

名焉

博士论文究竟是怎么写出来的?本科生也可以借鉴!

博士论文写作的方法与技巧!博士论文是攻读博士学位研究生所撰写的论学术论文。它要求作者在博士生导师的指导下,选择自己能够把握和驾驭的潜在研究方向,开辟新的研究领域。那么,写博士论文需要注意哪些问题呢? 四条准则助你快速写好论文! 一、选题尽量选择对自己又长久研究价值的选题。博士论文毕竟是阶段性的研究成果,这个成果虽然很重要,但不一定都能作为自己今后开展研究工作的出发点。从长计议,应当尽量选择围绕此问题,能长久做下去,作为自己写作博士生学位论文的选题。二、正确引用参考文献学术论文虽然是在吸收前人的研究成果基础上更上一层楼,但是学术论文引用也要有个度,不能过度引用,这也是学术规范的一个基本要求。一篇博士论文的参考文献太多,大量引用别人的成果,那就没有多少是自己写的了。写博士论文难免会有学术文献的引用,但需要把握好度,这个是最基本的。让读者读起来能决定论文是自己辛辛苦苦写出来的,而不是从前人那里抄袭来的。三、树立良好的学风和文风唯实求是,端正学风。博士是最高学位。博士研究生作为高层次人才,任何时候都应珍视自己的学术声誉,不能为达到某种目的而违背学术道德。博士论文的写作者应努力以平易通俗的文字、平实亲切的笔触,可触可感的事例,简洁明快的数字以及形象生动的图表阐述自己的理论观点。不仅应当理论性强,立论扎实,言之有理,而且还应当争取做到行文流畅,逻辑谨严,语句生动,言之有趣。这对博士生来说,虽然是一个更高的要求,然而却是一个经过刻苦努力后能够达到的目标。四、注重积累,打牢功底厚实的学术底蕴是写好博士论文不可或缺的条件。打牢学术功底,这对每一个博士研究生来说,至关重要。博士研究生能否取得高水平的学术研究成果,在很大程度上取决于博士研究生自身的学识和素质的高低。因此,博士论文的写作者必须注重积累,努力提高自身的学术修养。小茶杯论文查重经验分享:论文查重怎么查?每一个系统都有自己独特的优势,在特定时期选择合适的系统才是硬道理,在确定系统安全的情况下、初稿时期选择性价比高的检测系统、像Paperccb就是不错的选择

阿提卡

对即将到来的博士生活的几点畅想

时光荏苒,一转眼,在求学这条路上走了20余年;前一段时间,终于终结了最后一次升学考试,并取得了比较理想的结果。不知道是不是自带锦鲤特性(或者说“迷之自信”),还是我个人还算努力,一路来没有过不及格、挂科,高考、考研、考博也都比较顺利,都在预期之内。不过我深知,我还是比较笨的,可能算是中等水平偏下的程度。不过,这并不妨碍我喜欢对未来的一段时间,自己的事情简单做个规划,虽然根据以往的经历,往往很难全部达到,但每次都完成了七七八八,还算有所收获。距离9月1日博士开学还有20多天,我把对未来三年或者可能更久的博士生涯的几点畅想,或者说对自己的几点要求,写了下来,以便让自己不掉队。抓紧发一篇SCI。有这样两个事实:延期太普遍了,不管是主动还是被动,我们所今年正常毕业的博士不足25%;有足够的创新性的研究是可遇不可求的,自己觉得很新颖的东西往往别人早就想到了,对于博士生来说,一心只想发大paper的心思不可取。所以,我更倾向于在较短时间内,在一定创新性的前提下,先发一篇文章,避免毕业时匆匆忙忙。这样,有了底气和经验,再去做自己想做的深入研究,时间、精力、心态上更宽松些。养成良好的作息习惯。身边不乏这种早上睡到九十点,晚上熬夜加点干的同学。这样的假努力往往给自己整得很疲惫,却成效甚微。坚持运动。在国科大集中教学期间,我和我的小伙伴们经常去环雁栖湖晨跑,这是我至今记忆犹新的几件事之一。在临近离开雁栖湖校区的时候,我们还一同参加了长城马拉松,我参加的是半程组。在博士期间,希望继续坚持跑步,并尝试一下全程马拉松。可以的话,谈一个女朋友。有人分享喜忧也不错。坚持定期向导师汇报工作进展。我是那种做着做着就容易懈怠的人,多在组会及必要的时间与导师沟通实验、文章进展,能够使我获得一定程度的成就感。适当参与非科研相关的活动。身边的博士师兄师姐很多都是两耳不闻窗外事,一心闷头做实验,我认为这样是不好的。学校组织的一些非学术类的讲座、活动,还会可以适当参加一下的。读博的过程也是生活啊。万一延期,不要气馁。虽然要尽可能早发paper,但是还是要做好主动、被动延期的心理准备。暂时先有这些,希望科学网的老师在百忙之中,也能为学生提一提建议,说一说自己的想法、期望。来源:科学网 作者:张园

大白若辱

博士圈的爱情:一名校导师抛妻弃子,送SCI论文,却是一场空

葫芦娃,葫芦娃,一个藤上7个瓜。风吹雨打都不怕,啦啦啦,啦啦啦。当看到复旦女博士劈腿四位男博士时,耳边莫名想起了小时候爱看的《葫芦娃》。这个女博士不简单啊!要钱要房要车要论文!左右逢源,还不被人发现,拖了那么久,如果不是硕导准备自杀前的微信遗言,我们也不会知道在学术顶层的博士圈,竟然也会这么热闹,这位女博士竟然如此强大。在明知道自己的硕导老师已经有家室的情况下,还主动钓鱼一般,勾引自己的老师,又诱惑自己的导师离婚弃子,给车给钱给房,还一手送了5篇SCI论文,并且有一篇发表在Nature上,成为顶级期刊的论文。纯情的硕导:为了真爱,抛妻弃子,送论文,还意外只是备胎之一这位纯情的硕导老师,明年就可以晋级博导了,他本来也是圈子里的顶级大牛,发Paper的速度,几乎赶上了清华曾经的科研女神颜宁。可是在与自己学生的不伦之恋中,他抛出一片真情,甚至不惜与整个世界作对,离了婚,就为了可以和学生在一起。只是没想到,婚内出轨的他,竟然也只是备胎,输给了三个年轻的学弟!人心苦不知足!学生求利,导师求色,还美其名曰“真爱”。在这场涉及名校、学术、博士、出轨、备胎、SCI论文的狗血大剧中,女主是最大的赢家。五篇SCI论文在手,硕士成功毕业,最后又和真爱去了美国准备留学定居。最受伤的就是这位年仅32岁,已经成为国家“优秀青年”的陆老师,才华横溢,文理兼修,论文写起来,Paper发起来,如饥似渴,就像遇到真爱一样。只是,在离妻弃子之后,沦为一场闹剧。最后,竟然沦落到自杀的崩溃境地。梦想与责任,就像一把双刃剑一样,既给了陆老师火一样的热情,让他如狂人一般,保持着激情热血,让他发论文如同喝水,让他爱上自己的学生,犹如真爱。只是,却最终成为一个笑柄。只是,经过他这自杀式的一闹,这位女博士的好日子也到头了。天道轮回,现世报应,莫过如是。