本文探讨了深度学习和机器学习中基线的重要性，包括何时直接采用原论文指标、如何处理模型变化及数据集差异。在设定基线时，应确保与新方法的对比公正，并在论文中展示改进效果。此外，还讨论了参数调整，强调选择合适的经典模型作为基线，以及在私人数据集上的基线选择策略。
首先:baseline就是参照物的意思,然后目前就是有一下几种情况：
（1）看情况，如果复现的实验条件都和原论文一样，这种情况下其实没有必要去复现一遍，使用原论文里的指标就可以，这种情况对应的改低指标，就是学术造假。
（2）另一种情况是，用了baseline的模型，要么因为baseline论文没有给出某些设置的细节，要么因为特殊原因要改动一下实现方法。比如里面某个初始化，或者网络的某个细节做了变化，或者数据集不一样，数据集处理方式不一样。这种情况，低指标很有可能就是复现的结果，只是为了对比提出来的新方法，控制了变量的结果。
（3）你写论文的时候肯定是看过一些新模型了。你在和别人的模型做对比的时
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
