如何基于 AI 给的基础模型，做出令审稿人眼前一亮的创新点

如何基于 AI 给的基础模型，包装出令审稿人眼前一亮的创新点

为什么重要

接上期，如何与 AI 对线，获取合适的模型，获取模型很容易，往上一找，各种平台的解题思路一大堆，找到直接用，大概率和别人用的同款解题思路，凭什么拿奖的是你，Look in my eyes,tell me? Why baby why? 但是你要是凭空地，闭门造车地自己搞一个模型出来，第一不太现实，第二就凭大部分本科生的水平，搞出来了怎么自圆其说，真搞出来了还来做什么数模，发顶刊顶会去，顶刊顶会都一大堆引用，所以本期内容，就是要做一期，如何在现有基础解题思路的基础上，做出一个令审稿人眼前一亮的创新。

实战演练

主包还是以 2025 美赛 C题 为例，上期已经提到了，我们后来解第一问 金牌预测问题已经有了候选模型，比如随机森林，prophet 模型，还有一个队友不知道那篇论文抠下来的用于 算东道主效应的 我记作 f 模型吧

第一步 是找到缺陷出来拷打

我会货比三家地去考虑每个候选预测模型的优缺点，为什么要这么做呢，是不是有个网语叫做拉踩，我先把传统模型的缺陷拷打一遍，说明我不想直接用，接着再吹自己的模型有多好多好，能够解决先前传统模型存在的哪些问题，比如说 prophet ,偏向于考虑时序，没办法那么做到综合考虑全局影响因素,lstm 对于异常值很敏感，长期预测不稳定，随机森林 缺乏对于时序依赖的建模能力，等等等等，尽可能多拷打各种模型，然后写到论文里面，我觉得很加分，毕竟学术论文都这么写的，就喜欢拷打，不知道缺陷怎么办，问 AI 或自己查资料咯~

第二步 直接把你拷打过的问题，找几个解决方案 “缝” 起来

比如说我 2025 那次美赛，是想着说用随机森林算一次，因为随机森林可以综合考虑各种指标，再用时序模型再算一次，因为时序模型可以考虑到时序依赖性，而且，prophet 算长期依赖较为稳定，解决方案就都给出来了，再算个东道主效应分数，然后看看能不能缝在一起，但我肯定不能赤裸裸地告诉考官，我想综合三种计算结果，我会这么说：“通过 训练 随机森林计算出各个国家的综合国力分数（因为模型 input 是参赛项目数，运动员还有其他的影响拿奖牌的指标，我们觉得都和综合国力有关，output 其实就是奖牌数，只是我们包装成综合国力分数）”，然后再用 prophet 模型 根据历年奖牌数算出今年奖牌数，然后再用队友给的公式算个 “东道主加成分数”，得到这三个指标了，然后我们再用线性回归模型直接缝起来，取了个名字叫做 AHH model 然后流程图一画，完美。

如图所示，新模型不就做出来了吗

方法论总结

1、组合创新公式

组合创新 = 基准模型 （Transformer, U-Net） + 模块 (Attention、GCN、CNN)

1）组合的方式： 串行、并行、融合 等等

2）对模块进行微改，或是加入一些小trick，看起来是具有创新性的

2、生活中的例子

论文1： 为了增加蛋白质的摄入，我们做了一盘水煮鸡胸肉

论文2： 为了增加维生素的摄入，我们做了一盘菠菜炒鸡蛋

食材：鸡胸肉 ， 菠菜， 鸡蛋

烹饪方式：水煮，炒

我们的论文：为了同时增加蛋白质和维生素的摄入，来多方面补充人体营养，我们做了一盘鸡丝凉拌菠菜。

3、关于CV的例子

论文1： 为了建模视觉数据中的高频特征(局部边缘、纹理)，我们利用CNN，通过感受野内的局部卷积覆盖更多的局部信息，从而有效的提取高频表征。

论文2： 为了建模视觉数据中的低频特征(场景或对象的全局形状和结构)，我们利用Attention，通过在图片中对所有的patch进行信息交换来捕捉全局信息(低频)。

模块：CNN，Attention

我们的论文：为了同时建模视觉数据中的高频和低频特征，我们提出了一种新的模型CAT，它以一种互补的方式集成了CNN和Attention的优点，具有同时捕捉高频和低频信息的能力。