前两天「AI科技评论」总结了 2019 年十大精彩 AI 学术论文 ，从学术价值的角度挑选了我们认为 2019 年里值得重读、值得纪念的机器学习论文。
在这篇文章里，我们会盘点 2019 年出现的新颖有趣、挑战传统观念的十篇机器学习论文。其中有的论文的学术价值如何还有待商榷、有的论文甚至直接把前人的许多研究成果一把推翻，但这些论文都新意满满。这十篇论文刚好可以归为 5 个不同的主题，每个主题两篇。
[ 1 ]
论文：OpenAI MuseNet
上榜理由：2019 年年初，在声称「GPT-2 过于危险，不能公布预训练模型」并引发大规模口水仗之后，OpenAI 觉得 GPT-2 的能力不止如此，他们尝试的下一个任务是安全且喜闻乐见的音乐生成。基于 GPT-2 编写的 MuseNet 模型继承并进一步加强了长序列生成能力，使用的训练数据是包含了 10 种不同乐器的、分类为多种不同曲风的数十万个 MIDI 文件，也就是数十万个乐曲。（MIDI 文件是乐谱的数字表示，可以指定乐器但不含有乐器的音色信息，学习 MIDI 是明确地让模型学习作曲风格。）
用肖邦曲风续写 Adele 的《Some One Like You》，来自 OpenAI 技术博客
模型的效果是惊人的，OpenAI 不仅在直播中演示了许多风格各异、辨识度高、旋律自然的生成乐曲，他们还在介绍博客中提供了一个互动演示，可以从某首些知名乐曲中取一个小节作为开头，然后让模型以其他的风格续写，续写结果令人惊喜。还有好奇且有动手能力的网友们利用 OpenAI 提供的试验工具生成了更多乐曲，都印证了 MuseNet 确实有强大的作曲能力。
同期谷歌也在巴赫诞辰日做了一个模仿巴赫的作曲 AI（https://www.google.com/doodles/celebrating-johann-sebastian-bach），可以根据用户给出的音符，以巴赫的作曲风格增加和弦。这两个音乐 AI 的区别，除了巴赫 AI 只掌握巴赫的曲风之外，还在于巴赫 AI 是在已经给出的小节中继续增加音符形成和弦，而 OpenAI 的 MuseNet 是向后续写更多小节。
博客地址：openai.com/blog/musenet
详细阅读：这个AI能用Lady Gaga曲风续写贝多芬
[ 2 ]
论文：Newton vs the machine:solving the chaotic three-body problem using deep neural networks
深度神经网络求解三体运动问题
上榜理由：三体运动问题没有解析解早有定论，所以这篇论文公开之后也引发了一些批评，毕竟论文只是尝试了极为简化的情况（三个质量相等、初始速度为零的粒子在同一个平面内）、只是做到了接近的数值解就拿出来张扬，而且还宣称比计算精确解的专业软件快十万倍，对网络的能力有夸大吹捧之嫌。
这篇论文也有积极的一面。以深度学习为代表的机器学习手段确实在各种端到端的学习预测任务中得到了越来越多的运用，但其实深度学习的能力也不仅如此，它还可以在许多领域的更多任务中发挥作用，正如三体运动这样的复杂问题中我们缺少可以快速计算近似解的工具。
论文地址：https://arxiv.org/abs/1910.07291
解读文章：深度学习求解「三体」问题，计算速度提高一亿倍
[ 3 ]
论文：ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness ( ICLR 2019 )
在 ImageNet 上训练的 CNN 会带有纹理偏倚；增加形状偏倚可以提高准确度和鲁棒性
上榜理由：现代 CNN 网络有很强的特征表示学习能力，能在 ImageNet 上得到很高的识别准确率。不过，不断改进网络架构、不断刷分的人多，探究 CNN 到底学到了怎么样的特征表示的人少。按理说，对象识别的边界和纹理之争早就存在，不过我们终于还是在 2019 年看到了针对性的研究论文。
这篇论文中的实验表明，在 ImageNet 上训练的 CNN 网络在对象识别中依赖纹理远多于依赖形状；这其实和人类对自己的识别模式的认知有很大区别，也和我们对 CNN 工作方式的理解有所不同。作者们的结论有充分的实验支持，他们甚至用生成的风格转换数据集训练了依赖形状更多的 CNN，这样的 CNN 在识别准确率和鲁棒性方面都有提高。这篇论文被 ICLR 2019 接收。
论文地址：https://arxiv.org/abs/1811.12231
[ 4 ]
论文：Deep Double Descent: Where Bigger Models and More Data Hurt
研究深度双波谷：更大的模型和更多的数据有时会产生负面作用
上榜理由：2019 年中，包括 OpenAI 在内的一批学者「老调重谈」地再次讨论起模型复杂度和过拟合的问题来。机器学习界流传已久的观念是，随着模型的复杂度增大（学习能力提高），模型总能得到更小的训练误差，但测试误差和训练误差的差会越来越大（出现过拟合）；所以模型复杂度不能太低、也不能太高，我们需要找到相对平衡的那个点。（上面的 U 型图）
但这两年来，一大批超级大、超级复杂的模型用实际行动表明了训练误差和测试误差都还可以一同持续下降。所以这次讨论形成的新共识是，我们需要在 U 型图的右侧继续扩充，用来表示现代的、大容量的深度学习模型在大小超过某个阈值之后，越大的模型会具有越好的泛化性。这样，整张图就形成了双波谷的样子（下图） —— 也就是说，当你的模型大小很不幸地落在中间的波峰的时候，你就会遇到模型越大、 数据越多反而表现越差的尴尬情境。
论文地址：https://arxiv.org/abs/1912.02292
[ 5 ]
论文：Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations
挑战解耦表征的无监督学习中的共识
上榜理由：人类研究人员们相信，真实数据的多种多样的变化总是可以用一些关键因素的波动来解释；至于这些因素分别是什么，就可以用无监督学习的方式寻找解耦的表征，从而成功地揭示数据分布规律。这个方向目前已经有一些研究成果，研究人员们也已经形成了一些共识。
但这篇论文可以说把现阶段的大部分成果和假设一竿子全部打翻。作者们首先从理论上说明，如果不在模型和数据上都引入归纳偏倚，那么解耦表征的无监督学习本来就是不可能的。接着，作者们用大规模实验表明，虽然不同的方法都可以找到和选取的训练损失对应的性质，但只要没有监督，就训练不出能良好解耦的模型。除此之外，随着表征解耦程度的提高，学习下游任务的样本复杂度并没有跟着降低。这几点结论都和当前的解耦表征无监督学习的共识形成鲜明冲突，这个方向的研究人员们也许需要重新思考他们要从多大程度上从头来过。
作者们的建议是，未来的解耦学习研究需要分清人为引入的归纳偏倚和监督（即便是隐式的）两者分别的作用，需要探究通过人为选取的损失「强迫」模型学习解耦带来的收益到底大不大，以及要形成能在多个不同的数据集上测试、结果可复现的实验惯例。这篇论文被 ICML 2019 接收。
论文地址：https://arxiv.org/abs/1811.12359
[ 6 ]
论文：Uniform convergence may be unable to explain generalization in deep learning
收敛一致性可能解释不了深度学习中的泛化现象
上榜理由：为了探究深度学习泛化能力背后的原理，学术界提出了泛化边界的概念，然后尝试用「收敛一致性」理论推导、设计出了各种各样的泛化边界描述方法，似乎已经取得了不少成果。但这篇论文中作者们通过大量实验发现，虽然其中的许多泛化边界从数值角度看起来挺大，但随着训练数据集大小变大，这些泛化边界也会跟着变大。
在此基础上，作者们用过参数化的线性分类器和梯度下降训练的神经网络为例，证明了收敛一致性并不能解释模型的泛化性，即便完全考虑了梯度下降可能带来的隐式偏倚也解释不了。更严谨地说，作者们实验表明，根据收敛一致性得到的泛化边界要比根据梯度下降得到的泛化边界大得多。根据这一系列结果，作者们对「用基于收敛的方法解释泛化能力」的做法提出严重的质疑。虽然这篇论文并没能解决（也没打算解决）深度神经网络中的泛化性问题，但它显然为整个领域指出「此路不通，考虑重来」。这篇论文获得 NeurIPS 2019 杰出新方向论文奖。
论文地址：https://papers.nips.cc/paper/9336-uniform-convergence-may-be-unable-to-explain-generalization-in-deep-learning
[ 7 ]
论文：On The Measure Of Intelligence
关于智慧的测量手段
上榜理由：虽然机器学习研究人员们总说通用人工智能是远大理想和努力方向，但「在固定的具体任务上跑分」的惯例实在看不出哪里和通用人工智能沾边了。谷歌大脑研究员、Keras 库作者 François Chollet 在日常抨击这种风气的同时，最近也公开了一篇严肃的论文，明确提出我们需要考虑如何测量真正的智慧。
他在论文中描述的核心想法是：要了解一个系统的智慧水平，应当测量它在一系列不同任务中表现出的获得新能力的效率；这和先验、经验、泛化难度都相关。论文中包含了对 AI、智慧相关概念的解释和讨论，他认为的理想的通用 AI 评价方式，以及他自己设计的认为比较能反映及测量真正的智慧的 ARC 数据集。对智慧的讨论和复制还有很长的路要走，这篇论文再次提醒大家对「我们应该从哪里开始、往哪里去」保持清醒。
论文地址：https://arxiv.org/abs/1911.01547
详细介绍：测量「智慧」的正确姿势可能是？
[ 8 ]
论文：Putting an End to End-to-End: Gradient-Isolated Learning of Representations
给端到端学习画上句号：表征的梯度隔离学习
上榜理由：这篇论文提出了一种全新的自学习方法，它采用的并不是深度学习中惯用的端到端梯度下降，而是把贪婪 InfoNCE 作为目标，分别独立地训练网络中的各个模块。它的学习方式更接近于自监督学习，是把各种不同的小块之间的共同信息作为每个小块的训练的监督信号，把时间维度上临近的表征之间的共同信息最大化。之所以这种做法能奏效，是因为数据中符合这种设想的「慢特征」对下游任务非常有帮助。这种方法大幅节省了训练时间，也避开了大规模模型遇到的内存空间瓶颈。
这种方法很大程度上是从生物学现象得到启发的，也就是，整个大脑并不针对同一个唯一的目标进行优化，而是有模块化的功能分区，然后每个区域都优化自己的局部信息。目前看起来，这种方法可以方便地快速训练更深的模型，利用局部信息的设定也避免了传统神经网络中梯度消失的问题。这是一种有潜力的方法，不过是否能像论文标题中说的那样「给端到端学习画上句号」还需要等待时间验证。这篇论文获得 NeurIPS 2019 杰出新方向论文提名奖。
论文地址：https://arxiv.org/abs/1905.11786v2
代码开源：https://github.com/loeweX/Greedy_InfoMax
博客介绍：https://yann-leguilly.gitlab.io/post/2019-09-29-representation-learning-with-contrastive-predictive-coding/
[ 9 ]
论文：Read, Attend and Comment: A Deep Architecture for Automatic News Comment Generation
上榜理由：这是一篇 EMNLP 2019 接收论文，会议结束之后则在社交网络上引发了大片声讨之声。我们固然知道具备优秀学习拟合能力的深度神经网络有能力大批量生成新闻评论，这篇论文中的方法能提取文章的重点观点生成响应的评论，而且也在自动评价指标和人类评价的两个方面都得到了很好的结果，但批评的声音认为，更重要的是「是否应当做这样的研究，这样的研究的社会影响是怎么样的」。EMNLP 2019 还有一篇遭受了类似批评的论文是《Charge-Based Prison Term Prediction with Deep Gating Network》（https://arxiv.org/abs/1908.11521），在诉讼案件中根据检方指控的罪行预测被告刑期。
论文地址：https://arxiv.org/abs/1909.11974
[ 10 ]
论文：Facial Reconstruction from Voice using Generative Adversarial Networks
上榜理由：作为更大、更综合性的会议，NeurIPS 2019 接收论文中也有带来很大争议的，这篇「用 GAN 从声音重建人脸」的论文就炒得沸沸扬扬。即便我们认可一个人的说话声音可能和性别、年龄、体形相关，也许模型能比人类更敏感更明确地找到其中的相关性，但「侵犯隐私」、「丧失道德判断力」、「增加社会偏见」、「做奇怪无用的课题」之类的批评仍然是免不了的。
NeurIPS 2019 也不止有一篇论文引发争议，还有一篇是《Predicting the Politics of an Image Using Webly Supervised Data》（arxiv.org/abs/1911.00147），判断新闻媒体选用的人物照片体现了左派还是右派的政治理念。如果看作是揭露大众偏见的社会学研究的话，这篇论文可能还有一些价值。
论文地址：http://papers.nips.cc/paper/8768-face-reconstruction-from-voice-using-generative-adversarial-networks
作者 | 李晨阳
♂♀小鼠傍地走，
你还没有女（男）朋友！
CNS 都到手，
竟然还没女（男）朋友？
各位科学的明日之星：
为什么你的头脑可以和古往今来的大师交谈，你的灵魂却不得不在“5.20”的夜晚独自孤单？
难道真的是知识改变了命运？
不，可能是你的文献还看得不够。
传说在各大学术期刊里，隐藏着不少“爱情宝典”，只等待有缘人的挖掘。
今天这个黄道吉日，就请你跟我们来看（找）文（对）献（象）吧！
找对象的第一步，当然是双向选择。
你心中的TA究竟喜欢什么样的异性？这4篇论文帮助你知己知彼。
择偶篇
男人喜欢傻白甜，而女人一点也不
——Adair, L., Andersen, B., & Hinton, T.(2020). He looks “easy” and she’s not into it: Sexual exploitation cues and attraction. Evolutionary Behavioral Sciences. 《进化行为科学》
研究人员请151名女大学生给110名男生的照片打分，看看这些男生在长期选择（恋爱结婚）和短期选择（露水情缘）方面的吸引力有多大。
照片里含有一些隐藏线索：年轻、害羞、迷糊、酗酒、幼稚、鲁莽等。研究人员假设，男性的这些特质可能让他们更容易被异性“骗色”。
结果女生们很容易就辨认出了这些特质，并且认为这样的男生更容易被“PUA”。
这项研究告诉我们：对异性脆弱的一面，女性和男性嗅觉同样敏锐。但不同之处在于，男性对“傻白甜”女生会比较感兴趣，而女性则普遍认为“easy boy”们实在是没啥魅力。
“女人不会被那些容易操纵或欺骗的男人吸引。”研究人员说，“女人喜欢什么？健康的身体，有趣的灵魂。简而言之，女人对那些似乎对她们也感兴趣的男人感兴趣。看起来‘easy’并不性感，只有能很好地回应她的兴趣，才性感。”
这种情况下，男人偏爱“女汉子”
——Marcinkowska, U. M.et al.(2014). Cross-cultural variation in men's preference for sexual dimorphism in women's faces. Biology Letters.《生物学快报》
研究人员调查了28个国家的男性对女性的面容偏好。
不出所料，所有国家的男性都更喜欢富有“女人味儿”的面孔，比如拥有大大的眼睛和丰满的嘴唇。科学家认为，这些特征都跟雌激素关系密切，可能是“好生养”的标志。
而且，男人在不考虑建立长期关系的情况下，会更加偏好这种高度女性化的长相。
但耐人寻味的是，在那些经济社会很不发达，人们的健康难以得到保障的地区，长相“爷们儿”一些的女性会更受欢迎。
科学家判断，这可能是因为在严酷的环境下，比起找个温温软软好生养的小娇妻，男性更迫切的需求是拥有一位能够并肩作战的贤内助。
比起“玄铁直男”，“暖男”就是更受欢迎啊
——Arisvet Díaz et al.(2021). Ewes prefer subordinate rather than dominant rams as sexual partners. Applied Animal Behaviour Science.《应用动物行为学》
上篇论文说了，男人普遍喜欢女人味满满的异性。那女性是不是也喜欢男人味爆表的“玄铁直男”呢？
似乎不是。
在羊群里，最强势的公羊能够拥有全部雌性。但如果母羊们能自己选择，情况又会如何？
研究人员把一只强势的公羊（领头羊）拴在围场的一端，把一只性情温顺的公羊拴在另一端。然后让七只发情的母羊进来，让它们自由选择交配对象。这个实验在不同羊群中重复了多次。
结果发现，在至少四分之一的羊群中，没有一只母羊选择平日里趾高气昂的领头羊。其他羊群里，选择和领头羊交配的母羊也非常少。在研究人员看来，母羊们似乎很享受温柔的公羊的陪伴。
人群中开展的实验也有类似发现。BBC出品的纪录片《两性奥秘》里，研究者通过对一张照片进行技术处理，让一张脸从极度女性化到极度男性化连续变化。
一张脸从极度女性化（左）连续变化为极度男性化（右）。图源：《两性奥秘》
结果发现，相比百分百纯爷们的脸，女性被试更喜欢相对柔和一些的男性面孔：帅，又不至于难以接近。
女被试：我想这张脸告诉我，他不会帅到不可接近；科学家：你选择的这种脸孔是所谓的父亲脸孔。
科学家对此的解释是：这是一种典型的“爸爸脸”。女性的潜意识认为，这样的男性会更好地供养妻儿。
别小看“凤凰男”，他们的魅力是跨物种的
——Jiani Chen，Yuqi Zou，Yue-Hua Sun，Carel ten Cate.(2019). Problem-solving males become more attractive to female budgerigars.Science.《科学》
说起科学版爱情宝典，怎么能少了中国科学家的这篇《科学》论文？
中科院动物研究所的鸟类学专家发现，对异性缘不佳的公鹦鹉们进行为期一周的特训，就能让它们翻身变成“凤凰男”，打败之前更有魅力的“高富帅”，逆袭赢得美人归。
学习打开食盒的虎皮鹦鹉 课题组供图
研究人员首先筛选出一批不受异性欢迎的“loser”鹦鹉，然后手把手教会它们打开复杂的食物盒子。整个过程需要3步：揭开盖子、打开门、拉出抽屉。
然后研究人员重新设了一个“相亲局”，让鹦鹉姑娘能够同时看到“高富帅”和“前loser”们解决问题时的样子。
母鹦鹉完全被会开食盒的小伙（右）吸引了 课题组供图
结果，鹦鹉姑娘完全被那些能用娴熟手法打开食盒的小伙子吸引了，而面对盒子束手无策的高富帅们，这次变得无人问津。
由此可见，凭借聪明和勤奋逆天改命，过上更好的生活，即便在鹦鹉眼中，也特别特别帅的。
上面4篇论文告诉我们：不管人还是动物，在择偶时都充满实用主义。
雄性最喜欢生育能力优秀的异性，而在世道艰险时，又需要一位贤内助；而雌性则喜欢能力出众又温柔体贴的伴侣。
但在真正走入一段关系时，人类的行为就显得更为复杂。
恋爱篇
男女之间友谊太纯？自信点，让它“变质”吧
——Lemay, E. P., & Wolf, N. R. (2016). Projection of Romantic and Sexual Desire in Opposite-Sex Friendships How Wishful Thinking Creates a Self-Fulfilling Prophecy.personality and social psychology bulletin.《个性与社会心理学通报》
男女之间的友谊纯吗？很常见的情况是：一方比较纯，另一方比较不纯。
200多对自称是“柏拉图”式的纯·异性朋友参加了一项研究。问卷调查一下：果不其然，其中一些人对朋友怀抱着暗戳戳的想法。
有意思的是，那些对朋友怀抱特殊“兴趣”的人，往往也会高估朋友对自己的兴趣，简称“自作多情”。同时自我感觉良好的人也更容易高估朋友对自己的兴趣，简称“谜之自信”。
而且，男性“自作多情”和“谜之自信”的程度明显高于女性。
可别小看这种虚幻的信心，它会让人勇于开始行动，比如主动调情、更亲密的语言和肢体接触，甚至直接告白。在这种情况，还真有不少异性朋友接受了对方抛出的绣球，友情直接升级为爱情！
但研究人员也发现，主动一方的成功率和其自身的配偶价值（个人魅力+外在条件）显著相关。简而言之就是“帅者不难，难者不帅”。而且，你的配偶价值高不高，你自己说了不算，你的朋友说了才算。
一见钟情的“一见”，其实大有讲究
——Kellerman, J., Lewis, J., & Laird, J. D. (1989). Looking and loving: The effects of mutual gaze on feelings of romantic love. Journal of Research in Personality.《人格研究杂志》
和陌生异性不间断地对视2分钟，你会怎么样？
会尴尬？会抵触？社恐患者可能会直接选择狗带（Go Die）。
但科学家说：真实情况比这更可怕——你们可能会突然相爱。
研究人员做了两组实验：
在实验I中，96名志愿者按照“男女搭配”“互不相识”的原则两两配对，分别按如下几种方式互瞅2分钟：凝视彼此的眼睛，凝视彼此的手，一个人看对方的眼睛一个人看对方的手。
结果发现，互相凝视对方眼睛的一对男女，产生了更多的情感和尊重。而且专心凝视的效果最好，如果你一边看对方，一边脑子里在想其他事（比如数对方眨了几次眼），效果就会大打折扣。
但如果你一直盯着对方的手看……然后就没有然后了。
在进一步的实验II中，36名男士和36名女士两两配对，互相凝视对方的眼睛。2分钟后，他们的激情之爱、对伴侣的好感及情感上的联结都显著增加。
如果环境给力，比如有闪烁的烛光和曼妙的音乐，那么激情之爱的攀升幅度更加惊人。
36个问题，让你们从萍水相逢变成亲密爱人
——Aron, Arthur; Melinat, Edward; Aron, Elaine N.; Vallone, Robert Darrin; Bator, Renee J.(1997).The experimental generation of interpersonal closeness: A procedure and some preliminary findings.Personality and Social Psychology Bulletin.《个性与社会心理学通报》
今天要介绍的最后一篇论文，是一篇见证奇迹的论文。完全陌生的大学生们被两两分组坐在一起，在45分钟内互相提问36个问题。
在58对参与后续调查问卷的学生中，57%的人在实验结束后还互相联系过，35%的人在一起做了一些事情，37%的人随后上课都坐在一起。而且，所有人的依恋风格都变得更加健康积极。
据说，其中一对在6个月后领证了，还邀请所有参与实验的人参加了他们的婚礼！
这36个问题，有些很天马行空：假如一个水晶球能告诉你关于自己、人生和未来的一切答案，你想知道什么？
有些很私密：你人生中最尴尬的时刻是什么？
有些很轻松：用“我们”造三个句子，比如“我们都在这个房间里”。
有些甚至很残酷：你最无法接受哪位亲人死去，为什么？
为什么这些问题会有如此神奇的效果？
研究人员解释：“亲密关系发展的关键在于：持续的、不断升级的、互惠的、个性化的自我表露。”当你向另一个人敞开心扉时，美好的关系也在迅速滋长。
这篇论文实在太火了。连谢耳朵和胖妮也一起做过这个实验：
图源：《生活大爆炸第8季》
今天的爱情宝典就介绍到这里。
现在想想，这7篇论文分别告诉我们关于恋爱的什么道理呢？
无非就是：自尊一点、强大一点、温柔一点、勤奋一点、自信一点、凝视对方的眼睛、打开自己的心扉。
不管找不找对象，我们都可以向这些方向努力。
最后，在这个特殊的日子，祝愿各位才华横溢、智慧非凡的科学网读者们：
告别科研狗、单身狗的“双料小狗”，变身学术牛、生活牛的“全面大牛”！
相关问答
物理小论文生活中有很多的物理现象,许多简单的现象可以用所学知识去解答。现象一:飞快的火车有一个安全距离,当我们在公路上步行时,不宜靠中太近,除了害怕...
科学小论文实际上是同学们在课内外学科学活动中进行科学观察、实验或考察后一种成果的书面总结。它的表现形式是多种多样的:可以是对某一事物进行细致观察和深...
科技小论文也是有一定规范性的,主要体现在以下方面:1、论文题目:题目要与研究的内容相一致,不能文不对题。题目要求简洁、新颖、吸引读者。如《为什么咸蛋...
通常科学研究小论文是同学们在课内外学科学活动中进行科学观察、实验或考察后一种成果的书面总结。它的表现形式是多种多样的:可以是对某一事物进行细致观察...
[最佳回答]——运动后体重会下降的小秘密最近,我突然想起了要减肥,也许是因为体重日益增加的原因吧。我先称好体重,并记录在本子上。之后,我又穿上运动装,脖子...
[最佳回答]2009年9月21日天气晴今天科学老师交给我们一个任务,就是种绿豆。我们要种两组绿豆,一组绿豆名字叫“实验组”,一组叫“对照组”。两组绿豆分别种四...
一、选好课题撰写科技小论文,首先要考虑写什么,也就是课题的选择。选择课题是写好论文的关键。要注意以下原则:价值原则,即选题的理论价值和实用价值。要对...
要写出好的论文,得有自己的真知灼见。希望你做一个叫简单的实验,用自己的实验数据来提醒人们应该注意的问题,比如节能问题。你可以用热得快在暖水瓶里烧水的...
科技论文的含义科学技术论文简称科技论文。它一般包括:报刊科技论文、学年论文、毕业论文,学位论文(又分学士、硕士、博士论文)。科技论文是在科学...
我谈环保袋——科技小2113论文5261现在,环境保护已经成了社会上的人人4102注重的话题。我们1653是资源有限的国家,人人都应该保护环境和资源。比如...
