1.技术人员窃取公司系统“源代码”，硕士会承担什么责任？
2.2024 年(第 12 届)“泰迪杯”数据挖掘挑战赛—— C 题：竞赛论文的论文辅助自动评阅完整思路与源代码分享
3.计算机方面的论文如何发表？ 评职称用
4.Nature Medicine：除了GitHub，还能怎样查询论文源代码和数据库？
5.Python机器学习系列机器学习模型微调---网格搜索（案例+源码）

技术人员窃取公司系统“源代码”，后评会承担什么责任？

       “源代码”是看源互联网企业的核心秘密，若被泄露将会给企业造成严重损失。硕士广东省东莞市中级人民法院二审宣判了一起侵犯商业秘密案，论文hashmap源码结构某公司高级技术人员程某非法窃取公司“源代码”等技术秘密，后评被判处有期徒刑三年二个月，看源并处罚金万元。硕士

       程某是论文某公司原技术工程师，负责芯片硬件开发编程工作，后评配有公司服务器的看源登录账户，并具有查看、硕士使用服务器内研发数据的论文权限。因觉得公司待遇低，后评程某发现了服务器存在漏洞，便想窃取公司的研发数据，以备未来到其他公司工作时使用。程某多次绕开公司终端监控软件监管，将研发数据下载至其办公电脑，再传输至其个人电脑，还部分复制到个人移动硬盘。其间，程某先后通过上述方式盗窃某公司及OPPO公司研发数据个，其中包括了系统“源代码”。

       经鉴定和评估，程某盗窃的OPPO公司“源代码”属于不为公众所知悉的技术信息，合理许可使用费为万元。一审法院认为，程某在公司仅负责编程工作，其在无公司合法授权的情况下复制、下载、传输公司技术秘密的行为，构成侵犯商业秘密罪，情节特别严重，故判处有期徒刑三年六个月，并处罚金万元。程某不服，提起上诉。二审期间，程某向法院提交了其向两公司出具的悔罪书及其妻子的道歉信，OPPO公司也出具了谅解书，对程某的行为予以谅解。

       东莞中院审理后认为，一审判决认定事实清楚，证据充分，定罪准确，但因权利人二审出具了谅解书，故从轻判处程某有期徒刑三年二个月，并处罚金万元。法官表示，“源代码”是可读的计算机语言指令，具有极高的商业价值，属于企业的商业秘密。程某虽然尚未披露、使用或者允许他人使用，但依然触犯了刑法。为预防泄露商业秘密，企业应采取严格管控的保护措施，防止被员工轻易窃取，并加强对员工的精品源码资源法律教育培训。员工亦应主动学习相关的法律法规，正确认识窃取商业秘密行为的违法性及需承担的法律后果，避免因法律意识淡薄而酿成大错。

年(第 届)“泰迪杯”数据挖掘挑战赛—— C 题：竞赛论文的辅助自动评阅完整思路与源代码分享

       迎接挑战：深度解析年"泰迪杯"第届数据挖掘挑战赛——C题：论文自动评阅的智能策略与源码分享

       在当今学术界，各领域的竞赛如雨后春笋般涌现，吸引了众多学子积极参与。然而，随着参赛队伍的壮大，论文评阅工作量日益庞大，人工评阅的压力也随之攀升。正是在这个背景下，借助人工智能的力量进行论文评阅的需求日益迫切。AI论文评阅，凭借深度学习和自然语言处理技术的飞跃，如GPT的引领，正逐步从实验室走向更为广泛的场景，成为学术界的新热点。

       智能评阅的关键要素

       要实现论文的智能评阅，首先需要构建一套全面的评分体系，它包括以下几个关键环节：

论文质量特征构建

论文完整性: 比对竞赛题目，分析论文是否充分解答，通过文本分析技术衡量论文结构的完整度。

实质性工作: 检查论文是否针对问题进行了深度研究，通过信息抽取和论辩挖掘技术验证研究的深度。

摘要质量: 比较摘要与正文的一致性，运用情感分析和语义理解技术评估摘要的准确性。

写作水平: 通过深度文本分析，考察文字流畅性、规范性，以及逻辑连贯性，挖掘文本中的论点、论据和论证关系。

       智能评阅的实施步骤

       1. 数据预处理：从PDF中提取论文正文内容，为后续的分析做准备。

       2. 设计问题模板：针对每个评分点，定制清晰的问题表述，确保ChatGPT能准确理解并作出评价。

       3. 调用AI引擎：使用设计的问题模板向ChatGPT请求反馈，设置参数以保证回答的准确度和相关性。

       4. 结果解析：解析ChatGPT的回复，转化为数值化的评分，依赖于NLP技术的精准解读。

       5. 综合评估：根据各指标重要性加权，得出论文的综合评分，并确保评分分布符合预设要求。

       竞赛论文智能评分实践

       1. 通过评分函数计算论文的各个维度得分，权重分配考虑各指标影响力。

       2. 遵循评分要求，调整分数以确保评分分布符合预设比例，如8-分占比不超过3%，6-分不超过%等。

       3. 严格检查评分结果，确保其满足所有规定，展现出论文评阅的智能精准。

       此次"泰迪杯"挑战赛C题，不仅展示了论文评阅的创新思路，更是为学术界智能工具的运用提供了一个实战平台。随着技术的不断进步，我们期待看到更多智能评阅解决方案在未来的竞赛中大放异彩。

计算机方面的sushiwap 源码买了论文如何发表？ 评职称用

       第一步. 调研、入门

       1. 确定一个感兴趣的大领域，比如分布式系统或者机器学习，或者深度神经网络。读这个领域经典算法和技术，也可以是几本比较好的书，读完然后再实践实践，动手加深理解。这个过程做完就算是初步入门了。

       2. 找该领域的顶级会议，比如系统领域的有OSDI、SOSP，机器学习的领域有ICML、CVPR，深度学习的有NIPS、ICLR等等，可以搜CCF会议推荐列表看各领域的顶会列表。然后看近几年这些顶会的论文，因为这代表了最新的研究热点，咱不是说一味的追热点啊，毕竟对于初学者没有足够的领域专业背景，追热点是最快的方法。因为热点往往是该领域最亟待解决的问题，往往是发展最快的小方向，也最容易产生新成果。如果是老问题，人家都研究十几年了，给你留下的待解决的问题就很少或者不是很重要。当然如果是有几十年经验的研究者就不必追热点，他们知道该领域哪些是fundamental的问题，哪些是最值得研究的问题。

       3. 读了这些前沿论文后，确定一个小方向，比如分布式系统是个大方向，小方向可能是机器学习分布式训练；大方向是深度学习，小方向可能就是graph embedding；大方向是机器学习，小方向可能是半监督学习等等。确定小方向的过程是个知识不断积累的过程，非常重要，这需要你对大方向有很多了解，对小方向有更深入更全面的理解，需要读好至少篇以上论文，需要你知道该小方向的研究进展历史，这需要你知道该小方向别人都在哪方面做工作，做该小方向的顶级研究组都有哪些，他们正在干什么。

       第二步. 发现问题

       这步超级难，如果发现了个好问题，那就是成功的一半。这个问题最好是重要的、本质的、没有直观解决方法的。

       4. 确定小方向后，你需要阅读大量的这个小方向的论文和了解开源项目，再不断聚焦，再确定一个要改进和优化的小小方向，这个可能就是论文的主题。小小方向可能是机器学习分布式系统中的parameter server通信模型，可能是dynamic graph embedding等。然后就要更聚焦地读这方面的相关论文，这时候论文就比较少了，openmp源码分析几篇到几十篇到几百篇都有可能，这些论文要精读，花几个月时间研究一篇论文也不为过。

       5. 挑几个重要的论文工作实现，也可以找开源的运行跑一跑试一试，idea往往从实际运行中来，光靠读是不行的。这个跑一跑可能需要你尝试不同的运行环境，不同的workload数据集，不同的应用场景等。比如，parameter server（PS）模型在本地集群上跑是不是和paper声明的一样、在异构的动态性极强的集群环境下效果怎么样、除了paper提到的算法处理其他算法的时候效果怎么样、除了paper提到的数据集换另外一类数据集怎么样；graph embedding方法处理密集图和稀疏图都怎么样，处理动态变化的图怎么样，等等吧。你要发现X方法仅在a环境下好用，在b环境不好用。这个就是发现问题的过程。当然，没经验的研究者可能很难想到多种环境、多种workload、多种应用场景，这就需要积累。

       另外一个发现问题的方法是从实际生产中来，这个当然是最好的，但是往往是大企业环境下才有这个条件。

       6. 确定你发现的问题还没有被解决。这又需要广泛的阅读和调研，但是问题已经很聚焦了，搜索也会很容易，用你特定问题的关键字在google 搜索（这里强烈建议用google，其他搜索引擎基本搜不到），找到解决相关问题的论文。看看这些论文是不是已经解决了该问题，如果解决了，你有两种方案：第一，该问题已经解决的非常好了，放弃解决该问题。第二，该问题的解决方案还有问题，我还有更好的办法。我建议后者，最起码尽量尝试尝试。

       5和6步是个迭代的过程…

       第三步. 分析问题

       7. 分析问题产生的本质原因。这个往往和第5步发现问题同时进行。这一步靠的是功底和积累，靠的是对问题的理解程度。理解的越深刻，分析的越透测，你之后产生的解决思路就越有可能正确和有效。比如分布式机器学习的PS模型在异构环境下、和在处理数据不均匀的情况下就不好，本质原因是其同步的集中式通信模型，造成PS集中服务器往往需要等待。传统graph embedding方法采用批处理模式，需要graph的全局信息做embedding，当然无法应付动态性非常强的局部更新情况。

       8. 基于分析，tdcd指标源码就是对该问题的深刻理解，产生改进的idea。这个可能很难，可能靠运气，但我觉得更多的是靠对问题的理解程度，理解的越深刻，本质原因抓的越准，就越可能产生创新idea。读过一本介绍google企业文化的书，google产品的成功，既不是靠技术能力，也不是靠用户需求，而是靠技术洞见（insight），这就是对问题本质的深刻理解。比如，PS模型在某环境下问题的本质原因是集中式的同步模型，那么我们就可以提出尝试异步通信的模型的idea。

       分析能力跟个人的批判性思维、独立思考能力都有关，而这正是中国人欠缺的，可以通过读有深刻见地的书籍文章、经常提问来锻炼。

       第四步. 解决问题

       9. 实现你的idea，做大量实验验证。这需要动手能力，需要编程能力，需要坐得住。

       . 验证你的解决方案，根据实验分析不断优化你的方法。做了大量试验后，得到了若干结果，可能是不好的结果，但是不要一下子否定自己的解决方案，这不能说明你的idea不好用。一个好的方法往往经过千锤百炼，同样，你的idea通常不会一下子就成功。需要你根据实验结果分析不好的原因，然后基于你的理解改进方法，这是一个反复不断迭代的过程。

       比如，你发现异步PS模型效果还不如原来的呢。那么关键的是，你要问自己为什么？为什么理应提升的却没有提升？你要看实验运行的日志，看看是哪里慢了，差在哪里，最后你经过不断的实验、分析、思考，你发现了，你提出的异步PS模型虽然没有了等待开销，但是计算的有效性却降低了，结果整体性能反而下降了。那么你下一次迭代就要想怎么把这个计算有效性提上来。我又有了个方法，可以评估每次计算的有效性，然后把计算资源都投到有效性高的计算上。OK，idea不错，那么怎么评估有效性呢？不能开销太大，否则又得不偿失了，你可能想到了一种近似地评估方法。重新实现后，发现效果还不错。OK，恭喜你！你可以准备发论文了！

       整个研究过程，导师将起到关键的作用。导师可能会给你个问题，这是难能可贵的，基本帮你做了一半的事了，否则你可能需要花上一年时间找问题。然后整个研究过程，都是在导师的引导下进行，需要定期向导师汇报，与导师讨论idea和请导师分析实验结果。最好自己也要经常找同门讨论，而不是闭门造车。

       第五步. 撰写论文

       . 设计你的论文，草拟论文的骨架。每一章都写啥，每一段都写啥，实验都做啥。论文的逻辑往往比语言重要的多，逻辑合理的论文更易读懂，即使咱华人有天生的英语语言缺陷，但是好的逻辑就可以弥补这个不足。写论文就和讲故事一样，怎么能把一个事说明白，不那么简单，甚至说很难，需要不断锻炼。写完给老师看，老师同意后进行下一步

       . 写作论文。这个就是根据骨架填肉的过程，但是这一步也不简单，特别对于英语不好的同学，写出来的东西简直是不忍直视、不堪入目、毁人三观。最近上海某高校老师辱骂学生这事就是因为这个，我可以说，我每次看到学生论文也都是这个心情，给学生通宵改论文在家里一边改一边骂，但是当面对学生还是要以鼓励为主，要耐心，要耐心，要耐心，尽力压制自己的怒火，以平和的心态帮助学生提高，期望他下次能给个更好的版本。但是往往事与愿违，看淡点吧，仅求写作态度好点就行了，毕竟这不是一朝一夕能提高的，需要你不断积累。

       有几个写作的方法吧。第一，不要自己想当然，对于不确定的句型，用“”扩上上google搜，看看你这句型有多少人用过，如果没有几个人用，那就别用，换个写法。第二，读别人论文时，遇到好的句型就记下来，不断积累才能提高。第三，避免一切语法错误，我觉得这个是可以做到的，现在网上那么多工具都可以用。语法错误都避免不了那基本就是态度问题。遗憾的是，我很少遇到能避免语法错误的学生，我生气往往是因为态度问题，而不是能力问题。第四，尽量用短句用简单句子，别用长句。你写论文是为了让别人理解你的方法，不是写文艺作品，能说明白就行。

       . 提炼总结，改进方法。写作的过程也是屡顺自己思路的过程，写作的过程中往往也能发现自己方法的漏洞，那么就要继续回到8，重新思考解决方案，又或者你发现需要补实验来支撑你的论点，那么就继续实现系统做实验，得到实验结果。

       . 关于实验。怎么做实验是学生总问的问题，怎么做科学实验也是一个很重要的问题，有对照组、无偏的、定量的，这些都是科学实验的重要要素。如果有解决该问题的其他方法你首先要说明你的方法更好，至少在某一方面更好，这其中可能要涉及到不同的执行环境，或不同的算法数据集。然后设计实验说明你的方法好在哪里，用实验数据说明，比如异步PS和同步PS对比。然后你要进一步用实验数据说明，异步PS的有效性也提高了，如果不考虑有效性的话那么结果就不好。然后你的方法是否有些重要的超参数，试试variation导致各种结果。在实验结果展示方面，要学会用各种工具画各种图，把重要的因素用可视化方式体现出来。

       第六步. 投稿和看待审稿意见

       . 接下来就是投稿。选一个合适的会议或期刊投稿，这个可以听老师的，老师基本有这方面的常识，根据你工作的方向和档次选择合适的去处。确定好了哪个会议期刊后，就需要按照会议期刊要求来整理论文格式，latex是必会的工具了。之后赶在deadline之前提交论文，这个最后的几天可能很痛苦，因为你的论文和方法总有改进的地方，老师的要求会让你最后几天是最忙的几天。但是需要认识到，凡事无完美，你总也改不到完美，你需要一个deadline来督促你完成一个milestone。开始进一步工作或下一个工作。

       . 看待评审意见。接下来是漫长的等待，会议一般是2-3个月的时间，结果可能是接收也可能是拒掉，相比于结果，更应该看评审意见，看看这些意见是否合理，是否能解决，无论是接收还是拒绝，然后接下来就再次回到解决问题的部分，再次开始优化方法的过程。如果是接收了，那就可以准备订机票开会旅游去了。如果是拒掉那一般是有比较大的问题，那就再仔细深思下一下你的方法。继续优化，还是降低档次投个差点的会，就看你导师的了。

       第七步. 后续

       . 宣传你的工作，扩大影响力。首先你可能是要去参加会议，做个漂亮的ppt，反复演练，争取有比较好的演讲效果。有时你导师有机会去一些地方做报告，把这个工作介绍一下，都是扩大影响力的方法。

       . 开放源码。还有是尽量把自己工作的代码和数据开放，挂到网上，让别人来使用，接受别人的改进意见或者是简单的debug。咱不是专业的工程人员，也不用指望你的成果可以马上用于生产，个人觉得开放代码主要是为了让别人更好滴了解你的方法，这有助于扩大影响力，产生后续研究工作。如果有人引用你的论文、或咨询论文内容、又或是使用了你的代码和数据，这也算是你对整个科研事业有那么一丁点的贡献了，这比水论文有意义多了。

       整体来说，发表论文需要你有：批判思维能力，动手能力，知识面，写作能力，表达能力，英语，韧劲（抗打击能力）等等一系列能力，如果在研究生期间真能发表一篇论文，经历了以上这么多磨难和锻炼，我想你的能力也是不知不觉提高了很多，成为了该小小方向的一个小小的专家了。这对你来说，是最最重要的。

       这里我提到了韧劲，就是说，在解决问题过程中，你会受到不断的打击，包括来自导师的、来自自己的实验结果方面的、来自评审意见的，但是你要做的就是，站起来，继续凿，直到导师满意，知道reviewer满意，直到大家满意。别把这事想简单了，当你想象一下周围好多人都发好多sci了，而你还在为这么一篇完全未知结果的论文而这么努力的时候，我觉得大部分人可能就是缺少这个韧劲才最终以失败告终的…

       最后，我想再强调一下，发论文不是简单地发论文，而是通过发论文宣传你的工作，以便对某技术或人有那么一丁点影响。无论你发哪个档次的论文，只要目标正确，我觉得你都会有收获和有贡献的。相比较于为了发论文而发论文，你会觉得你是那么地高尚和高大，他们只是造废纸，而你已经对社会有贡献了…

       （以上内容来源于学术堂）

Nature Medicine：除了GitHub，还能怎样查询论文源代码和数据库？

       计算病理学中的深度学习算法正逐步改变医学诊断。然而，缺乏可重复性和可重用性限制了这些技术在临床应用中的广泛实施。Nature Medicine上的一篇文章强调了提升算法这两方面特性的重要性，以促进快速、可持续的领域发展。

       本文评估了年1月至年3月间篇同行评审文章中算法的可重复性和可重用性，发现只有%的论文提供了代码。这些论文在不同层面提供了支持计算病理学的算法，如组织类型分割、细胞级特征定量分析、基因改变预测以及肿瘤分级、分期和预后信息提取。

       为了提高可重复性和可重用性，建议让临床医生参与模型开发过程，共享数据和代码，并记录预处理和模型训练步骤。评估和出版时，应综合考虑预测准确性、模型校准、稳健性、简单性和可解释性。最后，应通过GitHub、Zenodo或深度学习模型专用资源库如ModelZoo公开发布模型，促进算法的重复使用。

       尽管GitHub是广泛使用的代码归档平台，但不应忽视其他资源。Zenodo和ModelZoo等平台提供了额外的检索途径。Docker或CodeOcean容器系统能够简化模型评估过程，加快不同机构用户和开发人员的评估速度。

       通过实施上述建议，计算病理学领域有望实现算法的持久可用性，满足临床医生对可解释性、可用性和稳健性的需求。这将充分发挥算法在诊断医学领域的潜力，推动计算病理学的进一步发展。

Python机器学习系列机器学习模型微调---网格搜索（案例+源码）

       本文将探讨如何使用GridSearchCV在Scikit-Learn中寻找最佳的超参数组合。GridSearchCV允许用户指定需要尝试的超参数及其值，它会利用交叉验证评估所有组合，从而找到表现最优的模型。

       在GridSearchCV的实现过程中，首先需要定义参数网格（param_grid），该参数中值的含义涉及多个超参数及其可能的值。例如，对于RandomForestClassifier，参数网格可能包括n_estimators和max_features。在例子中，参数网格被分为两个部分进行探索，首先评估n_estimators和max_features的组合，接着评估另一个参数的组合。总共有种超参数组合被探索，每个模型进行5次训练（cv=5），共计次训练。可能需要较长时间，但最终可能会找到最佳的超参数组合。

       接下来，可以查看评分最高的超参数组合和当前的最佳估算器。输出仅显示非默认参数。

       此外，本文还将计算各种超参数组合的评分，并使用最佳模型进行推理与评价。

       作者有丰富的研究背景，包括在读研期间发表6篇SCI数据算法相关论文，目前在某研究院从事数据算法相关研究工作。作者结合自身科研实践经历，不定期持续分享关于Python、数据分析、特征工程、机器学习、深度学习、人工智能系列基础知识与案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。

       欲了解更多详情，请参阅原文链接：

       Python机器学习系列机器学习模型微调---网格搜索（案例+源码）