请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
学术辩论上他赢了。
他用两个极其刁钻的问题逼出了林晓的边界，让对方承认了当前方案的理论不完备。
从辩论的角度看，他达到了目的。
但某种程度他也输了，而且输得非常彻底。
因为他刚才那两个问题，本来是想试探林晓的算法水平。
结果试探出来的结果却是......
这种人放在计算机学院，可以直接上手做最前沿的高水平算法研究，不需要从头培养。
而他，居然在几天前因为邦妮的一番话就把人让出去了。
他当时就不该听邦妮的。
什么只做算法是浪费，什么他在生物领域的判断力更稀缺。
这些话都对。
但问题是，他也可以两边都做。
他可以在计算机学院做算法，同时和生物系那边合作。
这两件事不冲突。
斯通布雷克站在走廊里，看着窗外那排正在变黄的梧桐树，在心里叹了口气。
人已经被邦妮收进去了，他现在再去要人，就成了明抢。
而且从刚才的报告来看。
林晓自己对跨学科方向的兴趣明显比纯算法更大。
如果他强行把人拉过来做纯算法，可能反而会限制他的发展空间。
他在窗边站了一会儿，然后转身朝自己的办公室走去。
算了。
先合作，再谈人。
后面还有的是机会。
而回去之后。
林晓坐在工位上，把报告会的材料重新翻了一遍。
他翻回到质量评估网络那一页，开始查看自己当时写的损失函数定义。
当时做这个模块的时候，他确实是为了省事。
数据预处理阶段发现质量分数的分布太集中。
靠近决策边界的样本太多，训练收敛速度比预期慢了不少。
他没有去改损失函数，也没有去研究梯度衰减的数学机理。
而是直接在数据层面做了一个简单的分布重标定。
把靠近0.5的样本往两端拉伸，降低边界区域的样本密度。
操作本身只需要几行代码，几分钟就能跑完。
跑完之后训练收敛速度明显改善，验证集上的准确率也达标了。
他当时觉得这个问题已经解决了，后面就没有再多想。
他以为没人能够发现。
因为这个操作藏在数据预处理脚本的中间几步。
不在方法部分的核心流程里，也不在论文正文里专门描述。
审稿人看的是最终结果，看的是网络架构和优化策略。
没人会去逐行检查数据预处理脚本里每一个操作的数学依据。
但刚刚居然被斯通布雷克发现了。
不得不说。
果然不愧是MIT，还是不能小觑任何人的。
好吧。
林晓这会也反应过来。
还是要时刻保持谦逊的态度。
太过于自信可能就会变成自负。
不过，虽然斯通布雷克在现场指出了他的问题。
但这在某种程度上来说，未尝也不是一件好事。