快速寻找符合课题的baseline并复现GitHub项目的完整指南
通过系统化组合数据类型、任务类型、方法类型和模型类型，能有效精准定位论文，并利用论文和GitHub资源实现代码复现。
核心要点
- 本教程由小周老师主讲，内容涵盖论文查找、代码寻找、环境配置和项目复现的完整流程。
- 核心方法为“数据类型 + 任务类型 + 方法类型 + 模型类型”的组合搜索，以精准定位相关论文。
- 论文推荐网站：paperswithcode 和 Google Scholar；代码主要从 GitHub 获取。
- 复现阶段需遵循 README 文件，包括环境搭建、依赖安装、数据下载和训练运行。
- 环境配置有专门指南，但需要额外领取；复现示例使用
python train.py启动模型训练。
论文查找方法与步骤
推荐网站及其特点
- paperswithcode：分类全面，覆盖计算机视觉、自然语言处理、时间序列、图结构等领域，支持按“SOTA”模型选择浏览。
- Google Scholar：适合更精准的搜索，尤其当研究方向较偏或数据非标准时。
精准搜索方法
- 组合公式：
数据类型 + 任务类型 + 方法类型 + 模型类型。 - 步骤：
- 确定数据类型：分析自己数据的类型。
- 文本数据：用于自然语言处理，如LLM问答、分析、抽取。
- 图像数据：通常为三通道彩色图片，用于CV任务。
- 结构化数据：如CSV文件，用Pandas读取为DataFrame。
- 音频数据：信号形式，幅度随时间变化。
- 时间序列数据：如电压、水压异常检测。
- 视频数据：连续帧构成。
- 图结构数据：由节点和边组成，需天然图结构或公开数据集。
- 点云数据：激光雷达扫描所得，用于机械臂等应用。
- 添加任务类型：
- 分类任务：如图片猫狗二分类。
- 回归任务：预测连续值，与真实值比对。
- 生成任务：如文本生成图像/视频或文本生成。
- 异常检测：识别时间序列中的峰值或漂移异常。
- 图像分割：分割图像中的道路、人、车辆等。
- 目标检测：框选目标并给出置信度。
- 加入方法类型：
- 有监督：有标签数据。
- 半监督：部分标签。
- 无监督：无标签，关注数据模式特征。
- 自监督：无标签，但关注模型本身。
- 区别：无监督注重数据特征，自监督注重模型自身。
- 可选模型类型：
- CNN：卷积操作提取图像特征。
- RNN：循环处理序列，变体有LSTM、GRU、BiLSTM、BiGRU。
- Transformer：基于自注意力机制，用于序列，也可用于视觉（ViT）。
- GNN：聚合邻居节点特征更新中心节点。
- GAN：生成器与判别器对抗，用于生成任务。
- 示例：搜索“多元时间序列无监督异常检测”可以返回相关文章。
- 建议：使用Google Scholar进行此类组合搜索，因为paperswithcode默认偏重CV，组合搜索在Google Scholar更灵活。
论文类型区分
- 综述型：如Survey，适合初期了解，可搜索“数据+任务+方法”查看深度学习综述。
- 研究型：包含模型提出和对比实验，证明泛化能力、鲁棒性等，通常对应SOTA模型。
代码查找方式
方式一：通过paperswithcode直接获取
- 在paperswithcode上选择论文，点击“Code”即可跳转GitHub。
- 注意框架差异：如有的代码是TensorFlow，有的可能是PyTorch，需根据环境选择。
方式二：在论文中查找代码链接
- 使用Ctrl+F搜索“GitHub”或“Code”。
- 常见关键词：
github、code、源代码等。 - 顶会论文（如CVPR）通常会直接挂链接，如2024年某篇论文就有直接链接。
方式三：用模型名在GitHub搜索
- 查找模型名的方法：
- 摘要部分：常出现模型名。
- 模型构建部分：详细阐述模型结构。
- 对比实验部分：提及模型名称。
- 复制模型名，在GitHub搜索，选择适合的框架（如PyTorch）。
- 点击进入项目，下载代码。
环境配置指南
- 有专门的环境配置指南资料，需要联系“小助手”领取。
- 操作步骤（基于VSCode）：
- 创建虚拟环境（如conda环境）。
- 激活环境。
- 安装依赖，运行
pip install -r requirements.txt，包括torch、pandas、tqdm等包。
- 指南详细程度依项目而定，但需遵循README。
项目复现流程
- 以“V计”项目为例（推测为GNN项目）：
- 查看README，找到“Quick Start”部分。
- 第一行通常是环境配置命令，安装必要的包。
- 下载数据集（如
dataset.py或dataset目录）。 - 运行训练指令，如
python train.py。 - 打印配置信息，开始训练模型。
- 示例复现步骤：
- 创建环境：
conda create -n genv python=3.8（示例）。 - 激活环境：
conda activate genv。 - 安装依赖：
pip install -r requirements.txt。 - 运行训练：
python train.py。 - 重要：环境配置是难点，需仔细遵循README。
案例与具体示例
案例一：paperswithcode使用
- 选择“SOTA”模型类别，浏览不同领域。
- 例如，查找“dynamic self-attention network”，在paperswithcode上找到代码，但可能只有TensorFlow版本。
案例二：GitHub搜索
- 在论文摘要中找到“dynamic network”，复制模型名。
- 在GitHub搜索，找到PyTorch实现，下载代码。
案例三：时间序列异常检测
- 搜索“多元时间序列无监督异常检测”，在Google Scholar上能返回精准结果。
限制与待确认问题
- 部分数据或模型可能没有公开代码，需通过GitHub搜索。
- 环境配置指南需额外领取，教程中未提供具体内容。
- 复现过程依赖README的详细程度，有些README可能不够详细。
- 不同框架（TensorFlow vs PyTorch）可能影响代码运行，需调整环境。
- 示例中提到的“基恩”可能指“GNN”，需确认术语准确性。
总结
- 查找论文：使用“数据类型 + 任务类型 + 方法类型 + 模型类型”在Google Scholar精准搜索。
- 查找代码：通过paperswithcode、论文内链接或GitHub模型名搜索。
- 环境配置：领取指南，创建环境，安装依赖。
- 项目复现：遵循README，下载数据，运行训练脚本。
- 核心建议：组合搜索能提高精度，复现时重点管理环境配置。