博士号を取得したいですか?機械学習の博士課程5年生と強化学習の博士課程の学生が対決した

博士号を取得したいですか?機械学習の博士課程5年生と強化学習の博士課程の学生が対決した

博士号取得のために勉強するべきか、しないべきか、それが問題だ。

[[354586]]

博士号を取得すべきかどうか、また取得することがどれほど難しいかは、永遠のテーマです。最近、reddit で話題の投稿が再びみんなの議論への熱意に火をつけました (tu)。

機械学習を専攻する博士課程5年生が博士課程での経験について話し、主な話題は「なぜ博士号を取得すべきではないのか」でした。

なぜ博士号を取得すべきではないのですか?

博士課程の学生は、自身の「博士課程の旅」での観察の一部を共有し、自身の博士課程での研究経験は孤立したケースではないと述べた。

彼の観察は次のとおりです。

まず第一に、博士号取得のための勉強には長い時間がかかり、機会費用も高いですが、最終的な報酬は大きくありません。それはちょっとした詐欺です。友人の中には、教授が学生を卒業させなかったという「恐ろしい話」を話す人もいます...

しかし、これは、投稿者が博士号を取得すべきではないと考える表面的な理由にすぎません。

主な理由は、博士号取得のための勉強が創造性と革新性を損なうからです。博士課程には、心が広く、創造的で革新的、野心的でやる気があり、少し世間知らずだが夢にあふれた多くの学生が集まっています。これらの学生は、独自のアイデアと視点、問題領域への新しいアプローチ、そして影響を与えるという期待を持って博士課程を開始します。

しかし、博士課程はこれらすべてを破壊しました。博士課程の終わりまでに、学生は他の人と同じように問題を解決する機械に変わります。これは SOTA アプローチであり、これらのアルゴリズムを少しでも改善できれば幸運だと教えられています。

問題は、SOTA が局所的な最適解にしかならない可能性があることです。つまり、これらの学生は、最適ではない方法を使用して問題空間を解くように教えられているのです。影響力のあるものを生み出していないのも無理はない。その方法自体が停滞しているのだ。

では、機械学習モデルを局所最適解から脱出させるにはどうすればよいのでしょうか?報酬の探索/ランダム化。

ポスターでは、私たちは教育方法を振り返る必要があると考えています。明らかに、博士課程の学生が効果的に研究を行うためには、特定の分野においてある程度の専門知識を持っている必要がありますが、そのためには想像力を犠牲にしたり、ましてや新しいアプローチを模索する勇気を犠牲にしたりしてはいけません。新しい方法の 99% は SOTA 方法ほどのパフォーマンスを発揮しないかもしれませんが、おそらくそれはこの分野をよりオープンにするユニークでクレイジーなアイデアです。

「専門家」になると、多くのものを得ますが、多くのものを失うこともあります。ポスターにはこう書かれていた。「博士課程を始める前、私は想像力を駆使して、問題を解決する奇抜な方法を考えることに興奮していました。これらのアイデアのほとんどには致命的な欠陥がありましたが、私はそれらに制限を設けませんでした。」

科学研究は創造的でクレイジーな冒険であるべきです。博士課程は、大きな影響を与える可能性を秘めた学生を引き付けますが、その後、彼らの情熱と創造性を弱めてしまいます。それは、大学のスター選手が指導力の低いチームに入団し、どんどん成績が悪くなるようなものです。

この投稿が公開された後、「創造性」と「SOTA の盲目的な追求」に関する白熱した議論が巻き起こりました。今日、reddit に「なぜ博士号を取得すべきか」というタイトルの返信投稿が掲載されました。

なぜ博士号を取得するために勉強する必要があるのでしょうか?

ポスターを書いたのは、強化学習を専攻する博士課程の学生です。彼は博士課程をとても楽しんだと語り、博士課程での経験から学んだことを詳しく説明し、博士課程の研究についてアドバイスをくれました。

彼女は、以下のことが博士課程の経験を満足のいくものにすると信じています。

  1. メンターと生産的な関係を築きましょう。運が良ければ、あなたのメンターはあなたの質問にすぐに答え、あなたのアイデアに興味を示し、改善のための有益な提案をしてくれる世界クラスの専門家であるかもしれません。
  2. 特定の出力を必要とせずに、興味のあるトピックについて学習します。
  3. 日々の仕事は、あなたが身につけたいスキルセットと一致します。
  4. 独自のアイデアに基づいてプロジェクトを作成します。
  5. 研究室の専門家リソースにアクセスし、協力し、交流し、フィードバックを受け取る能力を発揮します。
  6. 業界でインターンシップをする機会を得ましょう。
  7. トップレベルの会議やジャーナルに論文を発表します。

博士課程の研究でこれらを得ることができれば、その経験は間違いなく興味深く、価値のあるものになるでしょう。運が良ければ、これが将来のキャリアの基礎にもなります。

では、上記の7つの点をどのように評価しますか?ポスターにはいくつかの提案が書かれていました:

  1. 潜在的な指導者の最も優れた出版物や最近の影響力のある仕事を注意深く検討し、その指導者が以前に優秀な学生を指導したことがあるかどうかを確認します。潜在的なメンターの現在の生徒または元生徒に連絡して、メンターとの取り組みの状況について尋ねます。可能であれば、研究室ローテーションプログラムに参加することもできます。
  2. 研究室の同僚が論文を発表することに対して大きなプレッシャーを感じているかどうかを調べます。そうであれば、他の分野を理解するのは難しいかもしれません。あなたの研究室/大学は、さまざまな視点からの創造的なアイデアを歓迎しますか? 興味深い講義に出席したり、才能のある人々と交流したりする機会はありますか?
  3. あなたは博士号の分野の専門家になります。これによってどのようなスキルセットが得られるか、博士号取得後に何が得られるかを考えてみましょう。同様に、これらのスキルを習得するプロセスと、そのプロセスを楽しんだかどうかについても考える必要があります。
  4. あなたのメンターは、あなたに狭い範囲のトピックに関するプロジェクトを与えますか、それともより広い範囲に関するプロジェクトを与えますか? (後者の方が推奨されますが、リスクは高くなります。) アドバイザーは、特定のトピックについて出版していますか、それともさまざまな関連分野で出版していますか?家庭教師の仕事の質は高いですか?
  5. 現在の研究室メンバーと会い、彼らの興味、専門的な方向性、協力する意欲を理解するように努めます。彼らが最近何かを出版している場合は、それを読んで彼らと話し合ってください。
  6. 博士課程でのインターンシップは、研究と将来のキャリアに非常に役立ちます。機械学習の分野には素晴らしいチャンスがあるので、それを最大限に活用してください。
  7. あなたの研究室の同僚は、トップクラスの会議やジャーナルに定期的に論文を発表していますか?彼らの研究は広く引用されていますか? あるいは、より具体的には、その分野の研究に直接的な影響を与えていますか?

最後に、現実にはこれらの基準をすべて満たすことはまずないということを覚えておいてください。ですから、期待を現実的なものにしておき、博士号を取得することで得られる機会と、博士号を取得せずに得られる機会を慎重に比較検討し、すべての証拠を慎重に評価した上で、自分の直感に従って博士号取得を目指すかどうかを決めてください。

さらに、ポスターでは次の点も強調されていました。

埋没費用の誤謬は現実である。現在および将来のプロジェクトについて考えるとき、アイデアに多大な労力を費やしたのにうまくいかない場合は、方向転換を恐れないでください。同様に、最善を尽くしてもうまくいかない場合は、メンターやパートナーを変えることを恐れないでください。行き詰まったときにはそれを認識し、そこから抜け出すためにできることを(もちろん常識の範囲内で)行ってください。状況が悪くなったら、辞めることを恐れないでください。博士課程のキャリアは、失敗への恐怖ではなく、興奮とチャンスに満ちたものであるべきです。

誰も簡単に博士号を取得できるわけではありません。昨年、ネイチャー誌が実施した博士課程の学生に対する調査では、科学研究のプレッシャー、指導教員とのコミュニケーションの問題、就職のプレッシャーなど、博士号取得を目指す上での厳しい現実が明らかになった。しかし、うらやましい「他人の博士課程」はまだまだたくさんあります。

私たちが「他人の博士課程のキャリア」を羨むとき、本当は何に対して羨ましいのでしょうか?博士課程で挫折に直面したとき、私たちは頑張り続けるべきでしょうか?頑張り続けることはできるでしょうか?

そして最も根本的な疑問は、博士号を取得すべきかどうかということです。この質問にどう答えますか?

<<:  これは本当に天才的ですね!パーセプトロンを組み合わせると、ニューラル ネットワークになるのではないでしょうか。

>>:  研究者たちは建設における人工知能の利用を研究している

ブログ    

推薦する

AIがプログラマーの仕事を奪う:2040年にはAIがプログラマーに取って代わる可能性

米国のオークリッジ国立研究所の一部専門家は、2040年までにAI技術がプログラマーに取って代わるほど...

大規模言語モデルの量子化手法の比較: GPTQ、GGUF、AWQ

大規模言語モデル (LLM) は過去 1 年間で急速に進化しており、この記事では (量子化) へのい...

...

...

...

Omdia、2019年の世界IoT分野における重要な投資をまとめる

市場調査会社オムディアの最新の調査レポートによると、モノのインターネットの「誇大宣伝サイクル」のピー...

1時間から3.5分まで、Metaの新しいアルゴリズムは携帯電話で3D顔データを収集できる

この記事はAI新メディアQuantum Bit(公開アカウントID:QbitAI)より許可を得て転載...

マシンビジョンについて知っておくべきこと

マシンビジョンは急速に発展している人工知能の分野です。簡単に言えば、マシンビジョンとは、測定と判断の...

人工知能とデータ分析の新たなトレンド

明らかに、AI とデータ分析の世界はダイナミックな変化の真っ只中にあります。将来は、イノベーションと...

AI はあなたの仕事を奪うだけでなく、もっと恐ろしい脅威をもたらす可能性があります...

ビッグデータ時代の到来は、ビッグデータの波だけでなく、人工知能の台頭ももたらします。グーグルの人工知...

...

時間変換に基づく初のビデオ移行攻撃アルゴリズム、復旦大学の研究がAAAI 2022に選出

[[441526]]近年、ディープラーニングは一連のタスク(画像認識、物体認識、セマンティックセグメ...

駐車問題を解決する 3 つの最善の方法をご存知ですか?

近年、都市部の駐車場の問題はますます顕著になっており、混乱した駐車が頻繁に発生し、人々の移動や生活に...