凭“颜值”拒稿，误判率仅0.4%！这篇论文让AI科学家们炸了锅

晓查 夏乙 发自 凹非寺

量子位 出品 | 公众号 QbitAI

这两天，一项“看脸”审核计算机视觉论文的研究让AI学者们一片红红火火恍恍惚惚。

不少人哈哈哈哈怀疑作者在搞笑，当然也有很多人严肃读论文，辩论数据、结论的不合理之处。甚至有人说，研究揭示了论文评审中本就存在的人类偏见。

这项火遍国外AI界的论文，就是弗吉尼亚理工大学助理教授Jia-Bin Huang的Deep Paper Gestalt。

顶会领域主席的烦恼

Jia-Bin Huang（我们还是叫他黄老师吧）是计算机视觉顶会CVPR 2019和ICCV 2019的领域主席（Area Chair），当然深知学术会议投稿现状。

要问现在学术界的主要矛盾是什么？

那必须是：日益增长的论文投递数量，和捉襟见肘的同行评审数量之间的矛盾。

所以评审们也是压力山大啊，每天有那么大的工作量。黄老师在论文一开头就一本正经义正辞严地指出：这为目前的同行评审系统带来了相当大的负担。

谷歌研究员David Ha对此深表同情，他说：

今年CVPR就收到了5000多篇投稿，如果我是程序主席，要说没想过训练个鉴别器减轻评审工作量那肯定是在说谎。

不知道黄老师这项研究，是不是看着2019年的投稿情况，有感而发。

任性“丑拒”，误判率仅0.4%

怎么判别论文怎么样？CV行业的事情就让CV工具来解决吧！

黄老师这项爆红的研究，就是设计了一种分类器，根据论文的视觉外观来预测会不会被接收。

要训练算法识别一篇论文能不能中顶会，自然要用中了和没中的论文来训练它。

于是，黄老师收集了近5年的CVPR和ICCV主会和workshop论文。其中，主会论文自然是被接收的样本，被拒的论文从哪来呢？在这项研究里，这部分样本用了workshop论文，因为“近似”。

这些论文都被转成图片，再去掉首页的作者和标题。

然后，用ResNet-18分类网络，使用好坏两种输出替换ImageNet的1000个分类。根据迁移学习学习，作者使用了随机梯度下降（SGD）方法对训练数据集上的ImageNet预训练网络进行微调。

实验结果表明，文章提出的分类器可以安全地拒绝50％的不良论文，而错误地拒绝好论文的概率只有0.4％。

看似随意的“丑拒”，误判率低得惊人。这也吓到了不少网友，他们各吐心声，比如：

真是吓到了根据排版样式来评判一个想法也太肤浅了吧，历史上有多少关键论文倒在了这一关？

还有人联想到了颜值之外的歧视：

如果你加上作者性别信息，你会发现，对于女性第一作者/最后一名作者也有偏见。

虽说大多数声音都在表示担忧，但大家都对一个小彩蛋喜闻乐见：这个算法，把这篇论文自己，给毙掉了……

黄老师说，从热力图来看，算法主要是嫌弃这篇论文连8页都没写满。 于是就自杀了

他也指出，这个“自杀了”的研究有它的局限性。

首先，这种方法只看论文颜值而不管内容。如果你写的是一篇好文章，只是排版比较糟心，那么很可能被“误杀”。

其次，他用的都是CV行业大会的论文，评审的偏好会影响分类器最终的结果，所以如果你要投其他方向的论文，分类器筛选的结果也不可信。

好论文长什么样？

网友们吐槽之外，还提出了一个普遍关心的问题：究竟长什么样的论文才能中顶会？

这在论文中就有答案。

黄老师把前面数据集里的主会论文喂给了GAN，做了一个优质论文生成器，让GAN来生成论文版式。

上面这些，就都是算法自动生成的“好”论文样式。它们通常靠前安排了说明性图表，图文并茂还是彩色的，文字、数学公式、表格、图解分布均衡。

传送门

作者已经在GitHub上列出了这项研究的一大堆相关地址，包括论文、数据集、预训练模型权重、潜在空间的可视化视频等等。

地址在这里：

https://github.com/vt-vl-lab/paper-gestalt

一篇论文的命运竟然和颜值息息相关，这事儿你怎么看？