作為審稿人，你什么情況下會(huì)選擇拒稿？

剛好前不久NIPS給我發(fā)了top reviewer award 就來分享一下我的心得

最主要的判斷必須是基于文章本身，我認(rèn)為幾個(gè)類型：

1.顛覆了我的認(rèn)知，讓人有種脫口而出“臥槽”的沖動(dòng)，我是肯定給8分起跳，至少strong accept，而且我會(huì)非常熱心defend我的評(píng)分，主動(dòng)說服其他reviewer。

這種work可能兩年能有一篇被我審到，要么是告訴我一條嶄新的技術(shù)路線，要么是打破我固有的觀念。比如斯坦福有一篇差分隱私的文章將計(jì)算成本為普通訓(xùn)練幾十倍的隱私計(jì)算壓到了2倍，生生打破了我對(duì)隱私計(jì)算復(fù)雜度的理解。即時(shí)這篇paper沒有任何理論而且不通用（比如無法用在CNN上）我也認(rèn)為這是本領(lǐng)域spotlight。類似的例子還有transformer這種打破RNN傳統(tǒng)sequential training路線的和adagrad這種第一次把a(bǔ)daptivity引入的文章。

2.增廣了我的知識(shí)，讓我覺得“我猜也是如此，謝謝你證實(shí)了” 大概是weak accept到accept。

可能70%的work都屬于這一類，哪怕頂會(huì)頂刊絕大多數(shù)也是這類work，沒有驚喜，但是詳實(shí)的話也極有價(jià)值。

如果說第一類work的貢獻(xiàn)是指出了科研未來的方向，那這第二類work的貢獻(xiàn)就是降低了未來的不確定性，告訴大家：這個(gè)方向是對(duì)的，可以繼續(xù)往前走，實(shí)驗(yàn)和理論我放這了，大家不用浪費(fèi)資源/人口/算力了。

比如說如果有人做了兩層神經(jīng)網(wǎng)絡(luò)的收斂性分析，那么做三層的或者把bound收緊就屬于這一類。具體點(diǎn)比如NTK理論先搞出來了兩層神經(jīng)網(wǎng)絡(luò)在MSE loss的GD的收斂，之后Allen Zhu做了極度扎實(shí)的框架，囊括了crossentropy loss和SGD等新情況 現(xiàn)在citation也600+還在持續(xù)攀升。

再比如說實(shí)驗(yàn)類empirical文章?？赡芪疫€沒讀到具體算法的時(shí)候，光看你大致思路，我就猜你這個(gè)改進(jìn)大概只能漲一兩個(gè)點(diǎn) 那么如果你漲了10%，我就送一句臥槽 （比如deepmind最近那個(gè)差分隱私的paper 沒想到data augmentation能漲幾十個(gè)點(diǎn)） 算你第一類文章。如果真的就漲了一兩個(gè)點(diǎn)，那就weak accpet，如果突破了我的猜測一丟丟，比如漲了五個(gè)點(diǎn)，那就給accept。

3.對(duì)我的認(rèn)知沒啥影響，要么是做的老生常談，新瓶裝舊酒，要么“新意”純粹就是模型-數(shù)據(jù)-任務(wù)排列組合。

這類work我會(huì)給borderline，看審稿的期刊會(huì)議檔次。如果NIPS級(jí)我就borderline reject，除非文章很完整很正確，該有的實(shí)驗(yàn)和理論都有，唯獨(dú)缺novelty那我還是給borderline accept。

4.除了讓我嘆氣和疑惑啥也不是。

這類work最近送審的越來越多了，有的存在根本性錯(cuò)誤，證明性的實(shí)驗(yàn)性的都有。比如測試集搞成訓(xùn)練集了，比如魔改了常規(guī)定義或者performance measure，比如baseline選了過時(shí)的過弱的。有的實(shí)驗(yàn)機(jī)理描述不清甚至前后矛盾，讀完無法理解他做了什么，一般我會(huì)給個(gè)borderline reject提問題。如果能解答我的疑惑，再調(diào)分上去。如果讓我更加疑惑那就對(duì)不起了，strong reject也是有的。

當(dāng)然也有跟文章本身無關(guān)的極端情況，比如一稿多投、抄襲等學(xué)術(shù)不端。那不管文章質(zhì)量多好都必須拒掉，這里就比較考驗(yàn)搜商了，記得拿到稿子都回去各個(gè)數(shù)據(jù)庫比一下。