按年被提到
20242024 · 2 次2026
机器学习与深度学习›机器学习实践与反思·arXiv:2407.07218 · math.NA

Weak baselines and reporting biases lead to overoptimism in machine learning for fluid-related partial differential equations

弱基线与报告偏倚导致流体偏微分方程机器学习研究过于乐观
Nick McGreivy, Ammar Hakim · 2024

系统综述发现 79% 的 ML 解 PDE 论文使用了弱基线

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2024-11-22 · 最近 2025-07-23
3不同的人
3活跃月份
3讨论串
122被引(OpenAlex)

论文系统综述了用机器学习求解偏微分方程(PDE)的文献:在声称优于标准数值方法的流体相关 PDE 论文中,79%(60/76)与弱基线比较;同时有证据表明结果报告偏倚(尤其是结果报告偏倚和发表偏倚)普遍存在。作者认为 ML 求解 PDE 的研究过于乐观,成因类似以往的可重复性危机,并呼吁自下而上的文化转变和自上而下的结构性改革。

HN 为什么提它

评论者在讨论 ML 加速流体和物理模拟的工作时引用它,说明相关论文常用弱基线,例如 GNN 比多重网格更快的说法证据尚不一致。

实证研究难度 3 / 5约 60 分钟经得起时间
读之前最好知道
1偏微分方程(PDE)与数值方法
2计算流体力学(CFD)基础
3机器学习代理模型(surrogate model)
4可重复性与发表偏倚

学习路径

读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径帮你理解机器学习求解 PDE 的两类代表工作,以及机器学习用于物理科学的背景,再读这篇关于弱基线与报告偏倚的批评性综述。

  1. 1

    综述机器学习在物理科学中的应用,提供本文讨论的领域背景。

    读与偏微分方程、流体和数值模拟相关的部分;其余略读。

  2. 2
    Fourier Neural Operator for Parametric Partial Differential Equations用于参数化偏微分方程的傅里叶神经算子 · 2020

    傅里叶神经算子是被广泛比较的 ML 求解 PDE 方法之一,也是本文审视的对象。

    读在傅里叶空间中参数化积分核的方法,以及它声称的速度与精度优势。

  3. 3

    ML 加速计算流体力学的代表工作,本文关心的基线比较问题在此类论文里最典型。

    读它与标准数值方法的比较设置(精度与算力的对应)。

  4. 4
    Weak baselines and reporting biases lead to overoptimism in machine learning for fluid-related partial differential equations弱基线与报告偏倚导致流体偏微分方程机器学习研究过于乐观 · 2024 · 就是这篇

    目标论文:系统综述发现 79% 的 ML 解 PDE 论文使用了弱基线。

    读弱基线的判定标准、报告偏倚的证据,以及对公平比较的建议。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用al_th · 2024-11

“Given, the recent noise around this paper Weak baselines and reporting biases lead to overoptimism in machine learning for fluid-related partial differential equations about "weak baselines" in ML x CFD work, I wonder how it resonates with this specific work..”

借它的弱基线批评,询问对所讨论的 ML 加 CFD 工作有何启示
NeuralDEM – Real-Time Simulation of Industrial Particulate Flows原评论 ↗
引用cherryteastain · 2024-12

“Idea in most papers is that the GNN can do this faster than multigrid. Results so far are mixed, however [1].”

引它说明 GNN 比多重网格更快的说法,结果迄今好坏参半
A Gentle Introduction to Graph Neural Networks (2021)原评论 ↗
被提交为 story · 1 次