如何看待南京邮电大学学生2020申请到加州理工EE系唯一一个大陆PhD？ 第1页

首先我反对对黄同学本人的网络暴力。我尊重黄同学的努力和他的成果，不管以什么方式发表了这么多论文，对于本科生而言，都非常不容易。能申到CalTech，肯定是有过人之处的。

（以下内容与如何评价黄同学本人无关）

关于学术圈灌水严重，圈内人应该都有所体会。一些论文能不能发表，有很多时候并不是取决于严格的同行评议的结果。某篇会议论文，我作为当时的审稿人之一，给的意见是负面的。当时我以为这篇文章应该是不会发表了，后来这篇文章成功被该会议接收，而我提出的负面的意见，连一个字的回复都没有收到。

最后，希望他未来在CalTech能踏踏实实做高水平研究，做出一些真正好的工作，希望未来能学习到他真正的好论文。

（我不希望我的回答在任何程度上伤害到黄同学本人，所以我删去了之前可能被误解为是指向黄同学本人的措辞）

我记得我以前的某个老师给我吹美国的学术环境如何纯净，一个人如果造假一次，则终身退圈。

如今看来，不过尔尔。

说实话，他已经掌握了通信领域灌水的套路。从这件事就可以知道天下科研一般黑，两个IEEE fellow都为他背书，无非是搬砖搬的好，很多人觉得国外是科研净土，洗洗睡吧。connection在哪都是最重要的。能改掉喜欢装逼这一点，以后可以仿照国内某些fellow的路来走，上fellow希望很大。

我来复盘一下黄同学被取消保研资格之后的一系列传奇人生。

--菊厂沉浮--

加入华为，致力于我国5G通信事业，不料竟被无知的华为评为绩效C，一怒之下离开华为，开始探寻新的人生。

--缱绻岁月--

被取消保研资格后不久，在某保研群邂逅清纯可爱y小姐，由于黄同学自身太忙，没时间撩妹，因而和y小姐并没有太多话语，却只凭开篇一句小姐姐博得其芳心，两人遂携手向前，游遍神州大地(然后黄同学实在是太忙，幸好修得影分身之术，只凭分身就牵着女友小手流转天下，真身则每晚努力学习到两点)，二人不仅是情投意合，更是相互交流机器学习理论知识，也为日后共作文章埋下伏笔。

--科研开挂--

遥想大四时，黄同学尚不知tf模型为何物，但彼时观看清华特奖答辩，竟指台上说道：“彼之research能力近于吾”，果然英雄出少年！现如今，黄同学更是深谙深度学习之精髓，五层hidden layer，conv-fc-conv等神级结构层出不穷，DQN在其手上温顺的如同分段函数一般，模拟信号更是被他成功收入神经网络，从此，天下所有deep learning的模型和法则全都臣服于黄同学。随后，更是莅临MIT/Stanford指导当地prof、phd开展科研工作，最后，因感caltech缺少AI通信领域大神，牺牲自我，欲前往整顿.......

--尾声--

黄同学善思考，往往一个邪魅的笑容就代表他已发现了真理，故时人有云：“邪魅一笑idea生，万千硕博无颜色”

————小更新————

以清华为梦想，高考失利，考败来邮

小瓜更新:黄同学最近两篇大作的二作恰好是其女友

顺便看了一眼其中一篇大作，黄同学声称利用了SOTA deeplearning，然后他的核心model是:

一众炼丹师看了直呼内行

不过fc之后怎么又接上2d CNN了，原文也没交代feature在这中间怎么转化的

————以下为原回答————

我是真滴佩服黄同学，他应该是18年毕业，毕业之后还去华为工作了，一边在狼性团队里996，一边还能考英语，刷暑研？不过按照人家女朋友的说法，天天这么肝到凌晨还要早起确实是个狠人

所以说各位看官您别不服气，黄同学人家就是争分夺秒，把拉屎吃饭时间都用在了科研上，才有如此成就。

咦，等等

卧槽，人家还和妹子周游世界各地，这波时间管理就问你服不服？

————更新————

其实我对于黄同学论文灌水无感，当今科研界现状，大家也别五十步笑百步，当然造假另说。即使是当年黄同学简历上的清华大学电子系srt，我觉得也无可厚非，我估计要不是吃瓜群众，清华老师都意识不到简历上这条，以黄同学灌水能力和魄力，用起来可能真比大部分清华同学强，试问哪个导师不想要一个会灌水的学生呢？那些嚷嚷着科研不应该灌水，要做真正有影响力工作的老板们，大概做梦的时候真的会相信自己的鬼话。

看到黄同学女友现身，只能说祝你们幸福，但黄同学人品确实有待商榷，他所跟你一一澄清的点真的全清了吗？关于简历造假，伪装身份，保研资格等等，昔日可以为了伪装自己身份把自己头像贴到别人学生证上，以人性度之，我不觉得他会幡然醒悟，每言必真。

最后还是祝你们幸福吧，希望黄同学未来也能做出更多更好的科研工作

早说过黄同学这套路在美国更吃香了，一个总统都能天天传播fake news的国度，一个两党争相传播fake news的国度，一个remdesivir可以强行说有效的国度，一个氯喹实验可以在发现死亡率大大增加后继续把这个实验做到几万人规模的国度，谁关心你学术水平怎么样，文章背后是什么，有没有造假呢?

顺便，为啥清华天天爆学术不端，美国大学就很少？这个题简单，trust code，不检测就没有学术不端，MAGA！

知乎er其实反对的是欺骗他人、学术作假、水文章这些行为，因为这些行为涉及到个人诚信还给整个行业带来了不良的风气。插一个经历，之前有同学申请我们老师的硕博，老师看他发表文章很多想要他，但是博士师兄看了他的文章，觉得过于水，认为本科就学会了论文灌水会对学术科研没有尊重之心，最后没有要那名同学。

下面的个人回答提出了一些疑问，并且对主人公的最近一篇文章做了分析。

-----------原回答-----------

问题传输

个人比较关心的问题是：一个大四还在朋友圈询问tensorflow模型文件用什么软件打开的同学，大四还在按教程写python hello的同学，是怎样做到大四发表三篇深度学习+通信方向的文章的。

已经有华为员工曝光了，是海思不是诺亚，“工作半年多以后，因为工作能力被劝退，绩效为C”，见链接。

---------更新---------

看了该同学的pub梳理一下时间线，17年的3篇paper题目并没有带深度学习，17年底不知tensorflow为何物，18年发了3篇dl+通信方向的文章，19、20各一篇dl+通信，20还有一篇rl+通信的文章。

读了该同学发的rl相关的文章，漏洞很多，不敢恭维，放到图片后进行分析～

-------更新----------

读了该同学最新的结合RL的文章，正好自己在做这方面工作，发现了一些问题，欢迎大家提意见，另外一个高赞回答也提了一些该文章的问题。

1. 强化学习建模问题

强化学习建模中没有提到action的建模，只提到：

Concretely, the action a is performed through the environment simulator.

整篇文章没有提到动作建模是致命的。

2. DQN使用的问题

我们知道DQN只能用于离散动作问题，而该文章中没有说明action的建模，更不知道action是连续的还是离散的，但是文中有这一段“在DQN中的动作中加入高斯噪声增强探索性”，问题非常大！！对于连续动作控制我们才使用高斯噪声，离散动作我们是使用epsilon greedy，如果认为论文是使用连续动作，则不能使用DQN，那你离散动作加高斯噪声是干嘛。。。

好的，如果这里出问题了的话其实不用再分析论文了，算法已经用错了，不过本着尽职尽责的态度，我还发现了几个问题。

3. 超级稳定的DQN

我们来看看论文中使用DQN得到的累计奖励曲线，文中还描述

the accumulated reward increases monotonically as the epoch increases.

训练过强化学习模型的同学都知道，RL很突出的特点就是训练难稳定，不可能单调递增（除非代码有问题），比如DQN原论文里的实验结果

如果能有这么稳定，请赶紧再发一篇NIPS、ICML。

4. DQN什么时候是做多智能体优化的了

5. 累计奖励是折扣因子gamma的t次方乘以及时奖励的求和。。。

6. transition

储存的transition没有action，还多了个r（t+1）。。。DQN被黑的最惨的一次

7. 测试阶段还更新target。。。

最后希望该同学别想着如何快速发文章，先把基础先学扎实了，再慢慢来写文章。

-----------最后更新---------

答主忙起来了，之后不会回复每个同学的消息，接受质疑，但是也请大家质疑前多学基础、多看论文、多做实验，给每位同学免费讲解基础知识是很累的～

如果有疑问可以先看看以下回复，或者到知乎去提RL相关的问题，有很多大佬会为大家解答的

---

  chen-peng-wen-56 网友的相关建议: 
      

看了下黄同学的经历，实在佩服。

不过我觉得吧，有如此高超的投机技巧，为什么偏要搁这儿学术圈内卷。

直接去币圈割他一波韭菜不好吗？

唉，做题家思维害人不浅。

---

  qinhanzhang 网友的相关建议: 
      

这个事件发酵也有几天了，有一些多余的话我想说一说。

首先黄同学涉嫌学术造假（那个著名的三段DQN曲线），结合他以前的很多欺诈行为，这个我相信过段时间都会水落石出（黄同学这么多天了也没站出来，我想很多问题他也没法辩解）。

我想说的是，很不幸，这件事情的影响会是非常深远的。美国每年那么多博士申请者，不乏非常勤奋、聪明、优秀的，而往往在录取的时候都是按照区域来划分，比如说中国人的申请材料就放在中国人的池子里。

事实上，这些年来，我能感受到，北美不少名校招生的时候对来自大陆的申请者是有隐性歧视的。中国学生的优势都是在硬件上的：数学基础好，肯吃苦，代码经验丰富，paper多，等等；与此同时中国学生在软件上却往往有诸多劣势：语言/表达能力差，内向/不善于沟通（不善于“吹”--这点我们和印度人群体差距明显）。再加上中国和美国距离远，课程设置有差异，即使是在硬件条件差不多甚至中国学生更优的情况下，往往招生委员会会偏向软条件更好的学生。

当然这里面可能有PY关系因素，比如这个招进来的学生虽然paper不多，但是写推荐信的老师力挺他，且这个老师和招生委员会的老师关系好，他们很看重他的话。也可能有对华人的隐形歧视。但另外一方面来说，软实力事实上是一个人日后无论在学界还是业界想要成功非常重要的一种能力：只知道埋头苦干，两耳不闻窗外事的人能成为一个优秀的螺丝钉，却难以成为一个具备人格魅力和号召力的领袖。而都读PhD了，大家默认你都是要追求一生长期的学术生涯的，好的学校也当然希望能够不是招一些螺丝钉进来，而是日后的行业精英和领袖们。

而黄同学这次的事件就非常恶性。黄同学是中国人，善于钻营和利用操作获得本不属于他的名校老师的推荐信还有（也许）一些科研成果。这样的人拿到了一堆牛校的offer，然后现在事情败露，他自己当然要背锅，然后也会极大影响给他推荐的学长学姐和老师的声誉（那个中介的声誉当然也影响，但是中介的声誉嘛 大家都懂）。北美honor code的制度就是，一旦有这样的问题，所有参与的人的honor全部完蛋。

更深刻的影响则是会加大北美名校对中国申请者的隐性歧视。我这里不说黄同学，就说曾经我校OR博士项目的例子：多年前该项目也曾经招了一个纸上成绩、表现、荣誉都特别漂亮的大陆学生。可惜此君实际上是个绣花枕头；是个绣花枕头也就算了，你录取了之后就好好学呗；可此君自我感觉良好，还是不老实，不踏踏实实学习但搞了很多事情，最后让整个项目的招生老师都大为震怒，将其开除。并且从此之后对大陆申请者严加审查，多年再没有正经招过一个大陆的学生。

我想黄同学这次的事件，势必会加重这样的隐形歧视。因此，不仅他让帮助他的朋友老师背锅了，让广大跟他本来毫无瓜葛，有志于求学的中国年轻人都要一起背这个锅。你说这可不可恨呢？我想这次的事件，也对于年轻人是一个告诫：人不可自私到忘乎所以，不要去做德不配位的事情。黄同学的例子就告诉了我们：德不配位，必有余殃。也送给黄同学一句话：假设北美学校再给了你机会，希望你重新做人，好好学习天天向上，不要再做这些欺诈的事情。要记住，你在学校里，代表的可是中国人。

君子可逝也，不可陷也；可欺也，不可罔也。——《论语·雍也》

---

  li-miao-wen-27 网友的相关建议: 
      

很多同学都太年轻了，

不知道美国和中国的区别，

不知道学术圈到底怎么运作，

其实学术圈在现有模式下就是中世纪的行会，

关系比能力重要得多，

自己写的文章，想加谁名加谁名，

我说个华科的例子，

我有一个好朋友，

做毕业设计的时候一共去了实验室三天，

做出来的东西一塌糊涂，

然后却能顺利毕业，毕设还能拿高分，

为啥？当时他眼看毕设要瓦特了，
感觉带着老师，一个青年讲师，

去找他前女友他爸，某知名教授，

聊了一会直接给那讲师在国自然项目上加了名。

当时他们班有几个天天去实验室的毕设倒是过不了，

看着就生气，然而这就是现实。

还有就是论文灌水的事，

现在的评价体系就是发了多少论文，

什么等级期刊，引用多少，

哪怕写的是屎拌饭，

只要有杂志发，级别够就行。

好吧，我承认，我就是那个没门路的倒霉蛋。

---

  zhou-jie-lun-34-13 网友的相关建议: 
      

首先声明一下： 本回答只针对黄同学的这篇论文， 不针对其实验室和其他同学， 更不针对南邮这个学校。 我和南邮的其他学生也有交流过，大有脚踏实地者在， 希望大家不要一叶障目，以偏概全了。 但对于真正的造假沽名钓誉者，纵容他既是对自己多年拼搏的亵渎， 也是变向推动了劣币驱逐良币的恶果。 另外，也希望大家都是拿着真凭实据的揭发，而非恶意揣测的抹黑。 因为实锤一个人不该用谎言， 真相难道不够吗？

======================

因为之前有做过无线通信 + 深度学习的相关工作， 因此也有幸拜读了这位黄同学的“高作”。 我做的是5G毫米波的混合波束成形方向， 然后这位同学将深度学习和混合波束成形结合了一下， 发表了一篇高引的文章。

图是刚刚截的， 去年刚看到的时候还是10多的引用量， 现在已经100多了。 讲道理，搞无线通信的文章里有这个增长速度的， 绝对是高质量的经典论文了。 然而事实是怎样的呢？

这篇文章可以说是Hybrid beamforming的耻辱， 是无线通信的耻辱。 我从大三开始做这个方向做到现在的博士阶段， 但是看完这篇文章， 深深刷新了我的三观。 全文的核心和本质其实就一句话：通过一个深度学习的幌子， 来骗过那些既不懂深度学习又不懂hybrid beamforming的编辑和审稿人。

这篇文章有几大重要漏洞：

这是他的网络模型图， 光这个就离谱。 首先这个图就莫名其妙， 把物理模型和DNN网络模型混淆。 RF chain （射频链路）连着 神经网络？ 这是什么操作？？ 顺便一提， 射频链路上的是模拟信号， 神经网络是数字处理， RF chain后的数据是不可能直接输入网络的。 然后他说这个网络替代了analog precoder？？？ 我甚至怀疑黄某人是不是只知道analog precoder这个名词？？？ 这个precoder的要求是由相移器实现，也就是说每个元素的模必须为1， 你看你训练的网络能满足这个要求吗？？

看到评论区有同学提到了还有一种可能性， 那就是他这图的意思是他相当于用硬件中的射频元件实现了神经网络部分。 那就相当于他线下训练了这个网络， 然后训练完成后将之用射频元件部署。 我其实有按这个思路理解过， 但感觉比我上面讲的这个更离谱就否定了，既然有人提出了我也回答一下： 如果是照这个思路的话有几个致命的问题： 1. 整个过程之中，系统没有利用任何信道信息。 信道信息相当于告知了基站，用户在哪， 我应该往哪发送， 传统的波束算法无不依赖于信道信息。 结果黄同学这个，是直接摸石头过河吗，相当于都不需要知道用户在哪个方位我就能设计波束了？ 信道估计领域也可以直接取消不用了？ 2. 用射频元件实现神经网络。 注意在RF chain之后的信号都是在射频上的， 那你想实现一个复数乘法，意味着需要一个相移器和一个放大器。 我也不考虑复数加法所需的加法器了和激活函数啥的硬件复杂度了。 光是这千百个神经元所涉及的复数乘法， 就没有硬件实现的道理。 （注意， 在射频上实现神经网络和在数字域实现的成本天差地别 ）

结果人家还真训练了， 性能还真不错？？？

比传统Fully digital的性能，超出了5个db？？？恕我直言，这是在用深度学习突破物理极限， 香农再世也弄不出这样的性能。

通俗地解释下这个fully digital beamforming算法和答主所提出的hybrid beamforming算法的区别， 就是前者是后者的成本的数十倍， 理论上前者的性能是后者的上界。 后者相当于牺牲了一定的性能换取了更低廉的成本。 结果在这个仿真图里他这样吊打fully digital的性能， 让后者情何以堪？ 4G LTE时代研究了多年的digital beamforming可以全部推导了，直接神经网络大法好 （反正性能我画了算）。 另外提一句， 19年的时候，hybrid beamforming已经有许多经典的工作了， 但是文章中只有选了最早的14年的一篇 （可以算是最差的）进行对比， 我觉得真的熟悉这个领域的作者，至少会再拿出其他几篇经典之作的性能比较一下。

接着说文章的漏洞，

他用mse作为损失函数训练， 目的就是让网络去逼近他的标签。 然后他的仿真图告诉我们说， 他的性能比标签的还要好上5-10个db？？？如果说别的网络有拟合损失， 这个网络是有拟合增益的效果吗？？

我觉得黄某人就差把： 我的结果都是伪造的 写在文章上了。

=================

评论区有答主补充了， 复杂度分析也是问题的，我去回看了一下，确实。

[3]这篇文章算是真正的HBF的开山之作了， 但他这里的复杂度里， 可以看到计算复杂度是 (接收天线数的7次方）。 这个7次方的复杂度是极其离谱的。 在我所知的[3]的算法中，无论如何都是算不出这样的复杂度的，正常的分析应该是2-3次方，而且结果必与射频链路数有关（ ）这个7次方我不知道是怎么出来的, 我严重怀疑作者是否真的看过[3]。 如果连[3]都没有看过的话，个人认为应该是没有资格做HBF的。

=================

哦， 还有文章中的“算法部分”，

为不失公正我直接贴出原文截图了。 我是很少看到神经网络相关文章，把最基本的SGD算法用（13），（14），（15）这样的式子写出来的， 大部分的文章应该都认为这是一个不需要解释的东西， 然而除去引用总共就5页篇幅的这篇trans， 花了大半页来介绍这个SGD算法？哪怕是通信领域的没有CV领域那么专业， 也不至于19年了还要把SGD算法拿出来写一下作为自己的东西？ 况且这13，14式也离谱， 两个相同的v是什么意思？ 代表Ra和Rd每次的更新量是一样的，这是否太不严谨了？

越写越气愤。 深度学习近年的崛起， 真的引来了太多水论文的人， 如何鉴别呢？ 文章只有一些似是而非的描述， 只有逻辑不通的模型， 只有生搬硬套的算法， 只有性能卓绝的仿真。 没有什么呢？ 没有人敢公布自己的代码。 一个不存在的东西， 又如何公布呢？

至少，我可以肯定黄的这篇论文， 根本不存在对应的仿真代码，因为他这个模型和算法， 都没有写出来的可能性，更不用谈跑通了。 逻辑上根本就是矛盾的。

最后晒下和他的一次交流。

姓名先打码了，怕被熟人认出来。 一开始读的时候我就感觉这篇文章很有问题， 因为我做的就是这个领域。 但是我当时觉得，也许是这人天赋异禀， 我未能参透其深意。 于是我写了封邮件询问其代码， 想着配合着代码再理一理就能读懂了。 当然无线通信很多人都不公开代码的， 结果没想到黄同学真的回信了。 然而信中其称这涉及和华为的保密协议，因此代码不能公开？？至于他给的那些建议，只能说呵呵了， 和没有说没啥区别，和文中的核心没有一点关系，属于百搭的话语，看上去没问题。

不过作者能回信，其实当时是给我留下了挺好的印象的，当时还年轻的我全部信以为真， 以为对方可能是真的大佬吧（虽然我觉得大佬应该不可能写出这个似是而非的文章），于是我就写了我觉得最核心的一个问题， 不给代码可以理解，回答下这问题可以吧~

其实还有好几个问题，但想着先问下这个问题，因为如果他的损失函数真的如我理解的那样（也是他论文表达的意思我觉得）， 那他的性能真的是不可理喻， 拟合的结果超过了标签的性能。然而刚刚回复完我涉及华为保密的黄同学，再也没有回过我的信息了。 我也就无从问起了。 如果有看过这篇论文的读者应该可以知道，这个问题算是比较核心的问题了， 如果这个问题他没有好的答案，这篇论文本身上就是不该存在的。

我一度以为是他可能真有事情， 而不是学术造假因此不回我邮件了， 后来也淡忘了这事。 直到后来有一天一位国外的学长问我要相关领域的论文，我就和他说了下这篇论文， 告诉他我不太看得懂， 如果他看懂了可以和我交流下。 结果这学长当场和我说， 这个作者的论文以后不要看了， 都是造假的， 让我去知乎搜一下黄鸿基其人就知道了。

这件事当时刷新了我的三观， 没想到在一年后再次上了知乎热榜。

我理解那些引用他论文的人， 因为我也引用了。 没有办法，人在屋檐下，我自己的论文， 审稿人问我为什么不和他的这篇对比？ 我只能苦笑， 这样一份根本说不通，无法复现的论文，如何对比呢？ 但我也只能引用， 否则审稿人说： 你学术调研的不够， 连这么高引的论文都不引。 于是呢？ 恶性循环， 有黄某人的实验室团队先积累出前期引用率优势，后期其他人真的不引也得引。 想想也真的可悲， 我不是也为了问问题强行说出“this paper is well-written”的话吗？

最后，相关领域我推荐清华戴凌龙老师实验室的工作， 至少全部代码都是公开的， 扎实。 至于那些不公开代码的戴着深度学习帽子的无线通信论文， 恕我直言， 应该一律按伪造数据处理。

要知道， 和无线通信结合的深度学习论文，本身网络方面就只是套用而已，基本没有太多的创新， 隐瞒代码也不会有什么好处， 无非是让人们更难实锤你的论文问题而已。 真的问心无愧者，有什么好心虚的呢？

第一次在知乎写这么长的回答， 也确实是有感而发， 不匿名了，如果觉得本回答有问题的， 支持直接对线。

====================================================

看到有说恶意索要代码，不给是正常的。 我也说过， 通信领域一贯以来许多工作不公开代码，恰恰留下了漏洞。 但私以为神经网络相关真的该全面公开，否则性能完全是自己说了算， 别人锤无可锤， 即使你说性能和文章不符， 作者回你一句： 你的训练有问题， XXX参数对不上， 你能和他对线几遍呢？ 而不像传统算法一样，很容易直接复现，然后推导啥的齐全。

一般公开的代码的，让别人能复现的论文， 更容易被follow。 只是没想到，这么无凭无据的工作， 也能轻轻松松上百的引用。 我自己实验室的导师， 是我见过学术上最正派，最公正的学者了。 曾经和学姐一起写的一篇论文里有个小漏洞，对全文思想几乎没有影响，只是一个次幂写错了， 还是在文章的复杂度计算的角落。 我们发现的时候，文章已经最后定稿接收了。 后来我导师知道了， 第一次狠狠批评了我们（他平时人特别nice， 一般都是和我们平等的商量讨论）， 和我们说， 让我们要用最快时间去核实这个错误， 如果真的有影响， 他要向编辑部申请撤稿重新修改。 后来是师姐去找了篇paper证明了那个错误没什么大问题，最后才作罢了。 我的导师做了很多踏踏实实的工作， 在学术上影响了我良多， 只是他的paper里也几乎没有上百引用的， 看到黄同学这么高的引用率和这么快的水文速度， 感到不平的同时，也只能在知乎里码码字了。 本人非常讨厌网暴，但我觉得用合理的证据来揭发这些学术乱象，也算是对中国科研的一点微小贡献吧。 应该把荣誉留给真正勤恳科研的老师们。

有一个词我觉得很贴切，也深感害怕：劣币驱逐良币。

另外我这篇也不是不给代码的问题了，我后来只问了一个文中涉及最核心的问题， 结果半小时前刚回复我的黄同学就杳无音讯了，如果没有问题的话，这个回答花费不了两分钟的时间。

---