从数据到判断：我的研究方法
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、软件演化论文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
轻量化故障诊断关注质量与模型规模的平衡；视听语音识别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
- 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。
- 保留能够解释问题的基线，让复杂度的增加有证据支持。
- 分开报告观测事实、模型推断与个人解释。
- 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
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
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
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
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
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.