خب من یه توضیح کوتاهی هم بدم در مورد دو تا کوییز قبلی، اولی جواب میشد No. چون این شرط فقط برای وقتی که دو تا subspace میخوان جمع بشن برقراره ولی اگه تعداد زیرفضاها بیشتر از 2 باشد ارتباطی نداره.

جواب سوال دوم هم که یکم شیطنت آمیز بود، میشد No. این هم به این خاطره که مجموعه‌ای مستقل خطی هست که 0 اون فضا رو نشه به صورت ترکیب خطی با ضرایب ناصفر نوشت در واقع میگن در صورتی مستقله که 0 تنها نمایش بدیهی (trivial) داشته باشه. ولی در مورد مجموعه {0} هر ضریب حقیقی و حتی ناصفر برابر با صفر میشه بنابراین طبق تعریف تنها مجموعه تک عضوی که مستقل خطی نیست و وابسته خطی هست مجموعه {0} است.

پ.ن: حقیقتا نمیدونم چرا بعضی وقتا به سرم میزنه اینا رو به صورت کوییز بپرسم، بیشتر فک کنم هدف اینه خودم یادم نره و خلاصه خیلی سخت نگیرید.
#Quiz #math
@SingularThinker

در ادامه این منابعی که برای اپلای پوزیشن های دکتری PhD یا پست داک معرفی کردم، یادم اومد یه چندتای دیگه هم هست گفتم بخش دوم این پست رو هم بذارم:


- کانال‌های کلی:
https://news.1rj.ru/str/thepath_practical
https://news.1rj.ru/str/AzarApply
https://news.1rj.ru/str/applyforfree
https://news.1rj.ru/str/ApplyTime_Positions
https://news.1rj.ru/str/UTApply

خب به جز این کانال‌های تلگرامی، یه سری google group هایی هست که در متن قبلی گفتم که به همراه لینکدین و توییتر میشن منابع دست اولی ان که شما مستقیم میتونید از پوزیشن‌ها باخبر بشید و با استادها در ارتباط باشید و به نوعی اولین نفری باشید که از یه پوزیشنی باخبر میشید و بنابراین به نظرم از کل کانال ها و غیره مهم ترن. از طرف دیگه کلا بودن در این جمع‌های مجازی باعث میشه شما در جریان اخبار و اتفاقای توی زمینه تحقیقاتی مدنظرتون هم قرار بگیرید. به همین منظور گفتم من لینک یه چندتایی رو که میشناسم این پایین قرار بدم و برای سایر فیلدها میتونید خودتون سرچ کنید X + google group که X مثلا یه زمینه تحقیقاتی هست. یه توضیحی هم بدم که این google group ها به خاطر اینکه سایت‌های گوگل تحریم هست بعضی موقع‌ها با VPN هم حتی باز نمیشن یا رفتارای عجیبی دارن، با دیوایس های مختلف و VPN های مختلف امتحان کنید.

- Machine Learning News - Google Groups
https://groups.google.com/g/ml-news

- Reinforcement Learning Mailing List
https://groups.google.com/g/rl-list

- AI-Robotics google group https://groups.google.com/g/ai-robotics

- Complex System google group
https://groups.google.com/g/complexanalysisanddynamics

شما میتونید بدون عضویت هم تمام پیام‌ها رو بخونید و عضو شدن تو برخی از اینها برای همگان آزاده، برای بعضی باید دلیل درخواستتون رو بنویسید و ... . اگر عضو شید میتونید تعیین کنید که براتون گزارش هایی از آنچه تو گروه میگذره ایمیل بشه. وقتی مرتب این گروه ها رو چک کنید میبینید که خیلی از کانالای تلگرامی اعلان ها رو از این طریق پیگیری میکنند و روی کانال قرار میدن.

در مورد لینکدین و توییتر آکادمیک هم یه نکته‌ای بگم که خیلی وقتا شما با اکانت‌های خودتون دارید دنبال موقعیت میگردید که قبلا با همین اکانت احتمالا کلی آدم رو دنبال کردید، کلی لایک و منشن غیرمرتبط با اپلای انجام دادید و ... . توصیه من اینه که یه اکانت جدید بسازید و تمرکز رو بذارید روی موقعیت پیدا کردن و فقط پست های مرتبط با پوزیشن ها رو لایک و شیر کنید تا این طوری زودتر به الگوریتم بفهمونید که چیا رو باید بهتون بیشتر نشون بده. تو لینکدین میتونید هشتگ های مرتبط با موقعیت های دکتری رو دنبال کنید و در توییتر هم میتونید عضو لیست هایی بشید که موقعیت ها رو شیر میکند. لایک کردن پست های مرتبط باعث میشه الگوریتم بیشتر اون محتوا رو بهتون نشون بده ولی اگر بنابر هر دلیلی نمیخواید لایک کنید کپی کردن لینک و یا اشتراک گذاری اون پست هم میتونه راهکار جایگزین باشه.

من سعی کردم چیزهایی که به ذهنم میرسه که میتونه براتون مفید باشه رو باهاتون به اشتراک بذارم، اگر به نظرتون این پست میتونه برای کسی مفید باشه این پست و پست قبلی رو براش بفرستید. اگر راهکار خوب دیگه ای هم میشناسید تو کامنت بگید که بقیه هم استفاده کنن.

پ.ن: با تشکر از بهنام عزیز، برای معرفی برخی از کانال‌ها.
#phd_position #apply
@SingularThinker

آیا معیار بهتری از تعداد ارجاعات برای سنجش یه مقاله وجود دارد؟

همون طور که احتمالا در جریان هستید، تعداد دیتاساینتیست های واقعی و غیر واقعی :))) به شدت رو به افزایشه و کلا سرعت منتشر شدن پیپرها تو حوزه AI فقط یکم کمتر از سرعت نوره. در حدی که حتی تو Subfield های AI هم نمیشه به خوبی سیر مقالات رو دنبال کرد که این خودش معضل بزرگیه. یکی از دلایلی که این پیگیری کردن رو مشکل میکنه اینه که خیلی نمیشه فهمید که پیپرهای کلیدی و موثر در هر حوزه کدوماست؟ شاید بشه گفت تنها ابزارهایی که در حال حاضر برای سنجش چنین چیزی داریم اینه که ببیتیم مقاله تو چه ژورنال یا کنفرانسی منتشر شده، چنتا ارجاع بهش شده و مثلا یه نگاهی به نویسندگان بندازیم و ببینیم که از کجا هستند. اما بارها برای من پیش اومده که یه پیپری هر سه تا ویژگی رو داشته اما لزوما پیپر کار راه بنداز یا خوبی نبوده و حتی تو بعضی از موارد درست کار نمیکرده یا غلط بوده.

من کلا همیشه این دغدغه رو داشتم که سعی کنم پیپرهای مهم حوزه های مورد علاقه ام رو از دست ندم و مثلا خودمو بروز نگه دارم ولی خب واقعا با این سرعت عجیب مقالات این کار نشدنیه. ولی خب سعی میکنم که راه های مختلفی رو انتخاب کنم برای در معرض قرار گرفتن پیپرها که یکمی وضع بهتر بشه. در همین راستا یه پیپری دیدم امروز از گروه Bernhard Schoelkopf و Negar Kiyavash که اومدن با استفاده از Causal Inference یه متری ساختن که به جایی که صرفا تعداد ارجاع رو در نظر بگیرید بتونن به نوعی تعداد ارجاع های موثر رو در نظر بگیرن. ایده کار این طوریه که میخواد ببینه در واقع هر پیپری چقدر تو روند ارجاع گرفتن پیپر بعدی موثر بوده.

برای سنجش چنین چیزی میاد و یه سری Counterfactual Sample پیدا میکنه و میاد مقایسه میکنه بین این پیپرهای فرضی که تو همون حوزه هستن و خیلی شبیه مقاله ارجاع دهنده هستن و پیپری که واقعا به پیپر مد نظر ما ارجاع داده کدوم موفق تر بودن(ارجاع بیشتری گرفته). در واقع، به نوعی میخواد اندازه بگیره اثر هر پیپر در موفقیت پیپرهای آینده که بر اساس اون نوشته میشه چقدره و برای این کار از LLM ها استفاده کرده.

برای سنجش اثر علی یه پدیده رو پدیده دیگه‌ای به طور سنتی روش کار به این شکل هست که شما یه تعداد نمونه رو به صورت تصادفی به دو گروه کنترل و درمان تقسیم میکنی که در صورت درست انجام دادن اینکار انتظار داریم که توزیع همه متغییرها به جز متغییر مورد بررسی در هر دو گروه یکسان باشه و بنابراین در چنین وضعی میشه سنجید که نقش تغییر اون متغییر خاص به صورت علی تو متغییر هدف چطور بوده. به این روش میگن RCT که مخفف Randomized Control Trials عه اما در بسیاری از موارد این روش عملی نیست. مثلا اگه بخوای تاثیر مصرف دخانیات بر روی شش انسان ها رو بررسی کرد، اخلاقی نیست که آدم ها رو به تصادف انتخاب کنیم و بگیم سیگار مصرف کنن. یا مثلا در این مورد نمیتونم محققین یه حوزه خاص رو پیدا کنیم و به طور تصادفی انتخاب کنیم که بعضی هاشون یه پیپر خاص رو بهش ارجاع بدن و بقیه ارجاع ندن.

برای همین مجبوریم در چنین مواردی از روش های جایگزین استفاده کنیم. برای این کار اجازه میدیم که تقسیم نمونه ها به گروه کنترل و درمان به صورت طبیعی اتفاق بیفته. در این مقاله سعی کردن اگر پیپری به پیپر دیگری ارجاع داده، بیان و از بین سایر پیپرها پیپری که شباهت بیشتری به پیپر دوم داره رو پیدا کنن به این شرط که به پیپر اولیه ارجاع نداده باشه تا به نوعی بتونن اثر علی ارجاع دادن به اون پیپر رو تقریب بزنن.

تو بخش نتایج دو تا نکته جالب داشت یکی اینکه این متریک همبستگی(کورلیشن) بیشتری با مقالاتی که جایزه ToT ژورنال ها رو بردند داره نسبت به صرفا در نظر گرفتن ارجاع ها و یه معیار دیگه که قبلا ارائه شده بود. ولی برای پیش بینی Best Paper در کنفرانس ها چنین همبستگی ای مشخص نمیشه. علت قطعی این قضیه مشخص نیست، ولی شاید به این خاطر باشه که موقع دادن جایزه تو کنفرانسا سعی میشه Forecast کنن ولی چنین چیزی واسه ژورنال ها کمتر اتفاق میفته و کلا انگار ماهیت جایزه ها تو کنفرانسا (تازه معتبرترین ها رو در نظر گرفتن) یکم نویزی تره.

یکی دیگه هم اینکه اگه نمودار توزیع متریک بر حسب مقالات رو بکشیم بازم به توزیع نمایی با دم بسیار طولانی میرسیم که به نوعی انتظارش میرفت. یعنی درصد خیلی کمی از مقالات هستن که تاثیر گذاری بسیار بالایی دارند و این به صورت نمایی کم میشه.

🔗 لینک مقاله برای بررسی بیشتر.

پ.ن: خیلی خوشحال میشم که نظر شما رو هم در مورد این مقاله یا کلا تجربیاتتون در پیدا کردن پیپرهای مهم بدونم؟ من خودم سعی میکنم یه سری آدم رو در اسکالر دنبال کنم، توییتر آکادمیک رو جدی بگیرم و مشترک یه سری خبرنامه و کانال یوتیوب هستم که پیپرها رو معرفی میکنن.

#note
@SingularThinker