美赛经验分享

前一段时间美赛出成绩了, 侥幸得了个M, 虽然不是什么大奖, 但也有一些浅薄的经验可以分享(主建模和画图)

avatar

组队

其实组队是决定你数模成绩的最重要的一步,和认真负责的队友组队会让你的成功几率上升一大截. 首先我推荐找一个靠谱的熟人, 再让他找一个.这样就是比较好的方式, 或者找两个熟人也行, 不太推荐去各种墙上找人,一般找到的都不太靠谱. 组完队之后, 在比赛开始前, 我们学校一般会有训练(其实就是做往年题), 在这个时候你应该能大致判断队友靠不靠谱了, 如果他天天有事不参加模拟训练或者说不积极不干活, 建议和另一个队友商量把他踢出去, 或者说你觉得另外两个队友都不靠谱, 那就退出重新寻找队伍. 熟人组队的一大劣势就是想踢人很难, 我国是个人情社会(bushi), 所以一开始就要认真思考.

准备

首先要确定好1~2个主攻的题型,然后队内三个人的分工要明确, 特别是对于低年级第一次参赛的选手, 分工不明确的话学完很难 .

从建模的角度来说,提升最快的就是看优秀论文,O/F的都可以看看,提取应对某一类问题通用的解决方案和他们论文中的闪光点.积累到自己的笔记上, 比赛时可以快速选取一些解决方案. 还有就是自建模型或者结合基础模型的时候, 要考虑到可实现性, 如果你的模型无法实现, 或者实现起来太复杂, 那就妥协一些东西(简化模型/数据), 有结果总比没有结果强.

从画图的角度上来说, 最重要的就是复刻别人论文中的图, 积累好常用图像(像our work, 常用算法的原理图, 对比图等)的几种模版供比赛的时候使用, 常用图现画是不太经济的一种做法,即使是从现有的图调整往往也需要很久. 还可以去文献中找图复刻, 很多科研论文中的图看上去真的很高级, 也许表达的含义差不多, 但漂亮的插图绝对是一大加分项.

从编程的角度来说, 要复现优秀论文中的算法(虽然大多数情况下是调包侠), 常用算法要有一套能跑的, 如果要用在上面修改即可, 这样会快很多. 遇到问题可以去问问GPT-4, 代码的第一个版本也可以让它写, 简单的python代码还是可以写出来的.

从论文的角度来说, Latex学会基本使用就行. 有了大语言模型之后, 翻译的工作也轻松了很多, 其实三个人一起干会很快, 论文手在最后要对于排版进行调整.

其他Tips

要注重细节的处理, 某一部分有亮点往往会让论文的评价上一个档次
要充分利用每个人的时间, 尽量不要让队伍中的人无事可做, 手里的事情做完了就要主动去承担别的职责.
要懂得快速试错, 如果某个算法跑不出来, 立马换另一个去尝试. 如果结果不理想, 先考虑参数是否可以优化, 如果不行, 考虑换一个算法, 不要死磕一个算法, 你即使慢慢去调参优化, 往往不如换一个算法带来的提升更加明显, 找一个效果最好的算法再进行优化.
要适当的去美化自己的结果(不是造假修改数据哦😇), 比如说如果最后的结果对于全数据集来说效果不是特别好, 那可以挑部分效果好的数据集来验证(这也要看任务,不能无脑用), 那这样就可以说模型特别适用于某某场景, 后面的缺点或者模型改进也有东西可写
摘要是最重要的部分之一, 它决定你是否可以通过第一轮的筛选, 通不过的话就是S, 没得商量. 在摘要中要量化自己的结果, 不要只用主观的描述, 这会让人怀疑真实性
如果论文没有什么突出的创新点, 提高工作量也是一种选择, 比如说加入多种模型的对比, 扩充数据集等.

论文

为了保护隐私,把队号删了🥰. PDF经过压缩, 图片不是很清晰, 原件看上去是清晰的