作為審稿人，你什么情況下會選擇拒稿？

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)為幾個類型：

1.顛覆了我的認(rèn)知，讓人有種脫口而出“臥槽”的沖動，我是肯定給8分起跳，至少strong accept，而且我會非常熱心defend我的評分，主動說服其他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算成本為普通訓(xùn)練幾十倍的隱私計算壓到了2倍，生生打破了我對隱私計算復(fù)雜度的理解。即時這篇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adaptivity引入的文章。

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

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

如果說第一類work的貢獻是指出了科研未來的方向，那這第二類work的貢獻就是降低了未來的不確定性，告訴大家：這個方向是對的，可以繼續(xù)往前走，實驗和理論我放這了，大家不用浪費資源/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。

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

3.對我的認(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我會給borderline，看審稿的期刊會議檔次。如果NIPS級我就borderline reject，除非文章很完整很正確，該有的實驗和理論都有，唯獨缺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，有的存在根本性錯誤，證明性的實驗性的都有。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選了過時的過弱的。有的實驗機理描述不清甚至前后矛盾，讀完無法理解他做了什么，一般我會給個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，這里就比較考驗搜商了，記得拿到稿子都回去各個數(shù)據(jù)庫比一下。