# 从数据到判断：我的研究方法

作者：贺育隆（Yulong He）
更新日期：2026-09-06
内容类型：已发表论文解读与技术思考
主题：研究方法
页面：https://hreyulog.github.io/wiki/research-approach.html

将表示学习、可解释建模与可靠评测串起来：先定义问题，再讨论模型是否真的解决了问题。

我关注的问题，可以概括为一句话：**如何把复杂数据转化成有意义的表示，再用能够检验的方法支持判断。** 文本、代码、音频和时间序列的形式不同，但研究不能停留在“模型能处理这些数据”。还需要回答：输出代表什么，实验检验了什么，哪些解释超出了证据？

这里从六篇已发表的合著论文出发，整理我的方法认识。具体论文的结果属于共同作者的合作成果；下面的归纳是技术思考，不是额外的实验结论。

## 先定义状态，再选择模型

在微博研究中，输入是评论，研究对象却是社区情感的变化；在软件演化研究中，输入是代码变化，关注点却是协作过程中的技术状态。这两类问题都需要把原始数据转化成可比较的时间轨迹。表示学习和动力学模型因此承担不同职责：前者处理复杂观测，后者描述状态之间的关系。[微博论文](https://doi.org/10.1007/s13278-026-01645-w)、[软件演化论文](https://doi.org/10.1016/j.jocs.2026.102824)是这条研究线的两个实例。

我的取舍是：不因为能算出一个向量，就默认它已经是有意义的研究变量。变量的定义、聚合尺度和时间窗口，会共同决定模型能够回答的问题。

## 指标是测量工具，不是任务本身

代码评测研究比较了两类信号：让大模型直接评价代码，以及计算任务条件下代码的对数概率。它们并不是可以随意替换的分数。[GEM 论文](https://aclanthology.org/2026.gem-main.55/)中的差异提醒我，评测工具也需要被评测。

早期的[时间序列异常检测研究](https://pureportal.spbu.ru/files/97617692/Time_series_anomaly_detection_CPS2022.pdf)有一个相似的问题：预测误差与异常识别表现不是同一个目标。把中间指标做得更漂亮，不一定就改善了最终决策。设计实验时，我会先问“这个指标在哪些情况下会失灵”，再解释它的平均值。

## 模型选择要带着约束讨论

[轻量化故障诊断](https://doi.org/10.1038/s41598-025-06734-y)关注质量与模型规模的平衡；[视听语音识别](https://doi.org/10.3390/math11071733)关注噪声与数据分布变化。这些工作让我更重视条件化的结论：一个方法适合什么输入、什么资源条件、什么评价协议。

落到工程上，我倾向于把三个问题一起讨论：效果有没有提升，代价发生了什么变化，在哪些条件下会退化。参数量、实验室准确率和真实系统体验之间，仍有需要验证的距离。

## 我希望持续保持的工作方式

1. 把业务或研究问题拆成明确的数据对象、模型输出和判断目标。
2. 保留能够解释问题的基线，让复杂度的增加有证据支持。
3. 分开报告观测事实、模型推断与个人解释。
4. 用适用范围说明结果，而不是把单一实验改写成普遍能力。

对我而言，技术深度不仅体现在会用多少模型，也体现在能否说清楚为什么这样建模，以及什么时候不该相信它。

## 依据文献

### 微博影响者社区之间的情感依赖关系

Yulong He, Anton V. Proskurnikov, Artem Sedakov. **Mapping sentiment dependencies among online influencer communities on Weibo**. *Social Network Analysis and Mining*, 2026.

期刊论文 · 已在线发表。2026 年 9 月 1 日在线发表；出版社目前标记为早期在线版本，已具有永久 DOI。 [原始文献](https://doi.org/10.1007/s13278-026-01645-w)

### 代码的社会性：结合代码嵌入与观点动力学理解软件演化

Yulong He, Nikita Verbin, Sergey Kovalchuk. **Social life of code: Modeling evolution through code embedding and opinion dynamics**. *Journal of Computational Science, 96, 102824*, 2026.

期刊论文 · 已发表。 [原始文献](https://doi.org/10.1016/j.jocs.2026.102824)

### 语义与结构信号：无参考答案的代码评测

Dmitriy Fedrushkov, Yulong He, Ivan Smirnov, Artem Aliev, Sergey Kovalchuk. **Semantic vs. Structural Signals: Log-Probability and LLM-as-a-Judge for Reference-Free Code Evaluation**. *Proceedings of the Fifth Workshop on Generation, Evaluation and Metrics (GEM), 574–581*, 2026.

研讨会论文 · 已发表。 [原始文献](https://aclanthology.org/2026.gem-main.55/)

### 解耦蒸馏与低秩适配下的轻量化轴承故障诊断

Ovanes Petrosian, Pengyi Li, Yulong He, Jiarui Liu, Zhaoruikun Sun, Guofeng Fu, Liping Meng. **Lightweight bearing fault diagnosis via decoupled distillation and low rank adaptation**. *Scientific Reports, 15, 36136*, 2025.

期刊论文 · 已发表。 [原始文献](https://doi.org/10.1038/s41598-025-06734-y)

### 鲁棒视听语音识别算法研究

Wenfeng Yang, Pengyi Li, Wei Yang, Yuxing Liu, Yulong He, Ovanes Petrosian, Aleksandr Davydenko. **Research on Robust Audio-Visual Speech Recognition Algorithms**. *Mathematics, 11(7), 1733*, 2023.

期刊论文 · 已发表。 [原始文献](https://doi.org/10.3390/math11071733)

### 利用预测方法检测时间序列异常

Н. Э. Девришев, Ю. Хэ, О. Л. Петросян. **Обнаружение аномалий во временных рядах с помощью методов прогнозирования**. *Процессы управления и устойчивость, 9(25)*, 2022.

会议论文集论文 · 已发表。 [原始文献](https://pureportal.spbu.ru/files/97617692/Time_series_anomaly_detection_CPS2022.pdf) · [机构书目](https://pureportal.spbu.ru/en/publications/--------%281a491a09-e1c5-4d31-b3f1-958b306970e2%29.html)


## 延伸阅读

- [评测代码：看起来合理，不等于真的正确](https://hreyulog.github.io/wiki/code-evaluation.html)
- [代码不仅是文本，也是协作留下的轨迹](https://hreyulog.github.io/wiki/code-dynamics.html)
- [轻量化不是单纯把模型变小](https://hreyulog.github.io/wiki/efficient-models.html)