Подбор источников для научной работы в сфере ИИ — это уже половина успеха, если знать, где искать.
Качественный research в области машинного обучения и искусственного интеллекта начинается не с поиска случайных статей в Google, а с системного подхода к первоисточникам. Диссертации, труды ведущих конференций и репозитории с открытым кодом позволяют не только найти вдохновение, но и выявить реальные пробелы в существующих исследованиях. Ниже — проверенный список из 10 ключевых платформ, которые пригодятся на разных этапах работы над PhD или серьезным research-проектом.
Для начала стоит обратить внимание на базы диссертаций. OATD (https://www.oatd.org/) — это крупнейший агрегатор открытых диссертаций со всего мира, незаменимый для понимания того, какие темы уже разрабатывались. Другой мощный инструмент — ProQuest (https://about.proquest.com/en/dissertations/), одна из самых больших международных баз, правда, доступ к полным текстам часто ограничен подпиской вуза. Для англоязычных исследований также полезны EBSCO Open Dissertations и локальные репозитории университетов: Deep Blue от University of Michigan или Cambridge Apollo. Последние два содержат не только сами работы, но и дополнительные материалы, которые авторы выкладывают для воспроизводимости.
Если говорить о самых свежих трендах, то без архивов конференций не обойтись. NeurIPS и ICML — это флагманы мировой науки о ML. Их сайты (proceedings.neurips.cc и proceedings.mlr.press) содержат тысячи статей, прошедших строгий отбор. Для идей, связанных с большими языковыми моделями и deep learning, отдельное внимание стоит уделить ICLR на сайте OpenReview — там опубликованы открытые рецензии, что помогает понять сильные и слабые стороны исследования. Архивы AAAI (ojs.aaai.org) и порталы конференций по компьютерному зрению CVPR/ICCV/ECCV — это «золотой фонд» для специалистов в области Vision.
Для работ над исследовательскими гипотезами стоит обратить внимание на Semantic Scholar и Connected Papers. Первый позволяет строить графы цитирования и находить смежные работы за секунды, а второй визуально показывает связь между статьями, помогая вычленить ключевую работу в любой области. Files With Code (paperswithcode.com) — это уникальная площадка, где абстракции статей напрямую связаны с датасетами и реализациями. Это критически важно, когда вы проверяете, решена ли уже ваша задача и какие у существующих подходов есть ограничения. Hugging Face Papers также предоставляет доступ к передовым исследованиям с привязкой к коду и вычислительным моделям.
Однако просто искать недостаточно, нужно правильно выстроить маршрут. Разумный алгоритм действий таков: сначала найдите 5–10 свежих диссертаций по вашей узкой теме и изучите их bibliographical lists. Затем посмотрите последние публикации на вышеупомянутых конференциях и сравните, что авторы в разделе future work называют нерешенными задачами. Именно на этих нерешённых задачах, а не на глобальных вопросах АИ, и стоит строить своё исследование, используя открытый код для воспроизводимости результатов.
Загрузка...
