Conventional(传统方法)在机器学习语境中,通常指深度学习、大模型等技术出现之前的经典基线方法,如规则系统、传统统计模型、手工特征工程等。在近期的 arXiv 论文中,Conventional 一词高频出现于“与传统方法对比”的实验叙述里,反映了新模型不断替代旧范式的行业趋势。
Conventional 方法面临的替代浪潮
从近期论文看,深度生成模型正在多个领域取代 conventional 方法。扩散模型与神经常微分方程被用于模拟反应扩散过程(Score-based neural ordinary differential equations for reaction-diffusions),其 score-based 建模思路相比传统数值求解方式提供了新的可学习框架。
在图学习方向,传统静态图神经网络的局限被反复提及。AtlasULP 提出通过关系图谱实现领域感知的通用链路预测(AtlasULP: Domain-aware Universal Link Prediction via Relation Atlas),而 BadGCL 则指出图持续学习系统在持续更新知识时可能被植入持久后门(BadGCL: Towards Persistent Backdoor Attack on Graph Continual Learning Systems),这是新范式带来的新安全问题。
多源域自适应也体现了类似趋势:皮肤癌诊断研究采用对比式适配器训练与共识知识蒸馏,摆脱了对源域数据的依赖(Contrastive Adapter Training and Consensus Knowledge Distillation for Multi-Source-Free Domain Adaptation in Skin Cancer Diagnosis)。
Conventional 与新方法的边界何在
值得观察的是,conventional 方法并未完全退场。部分研究实际是将传统信号处理思想与深度学习结合,例如利用智能手机实现低成本透射成像检测鸡胸肉肌病(Smartphone-Enabled Depth-Aware Transillumination Imaging for Detection of Chicken Breast Fillet Myopathies in Chicken Fillets),以及面向 RGB-T 检测的几何融合调制(Shifting Focus by Reliability: Geometric Fusion Modulation for Robust RGB-T Detection),都依赖经典成像与融合原理。
当前焦点在于三点:一是新方法在论文中惯以 conventional 基线作对比,但基线是否充分调参常受质疑;二是安全与对齐问题随新范式出现而升级,联邦系统中的语义-几何-拓扑协商对齐即为一例(Fed-Universe: A Semantic-Geometric-Topological-Human (S-G-T-H) Stack for Negotiated Alignment in Federated Systems);三是强化学习开始渗入传统通信协议设计,如深空通信的束管理与流控(Goal-Oriented Bundle Management and Flow Control for Deep-Space Communications via Reinforcement Learning)。总体而言,conventional 与新兴方法的边界正在从“替代”转向“融合”,后续值得关注基线公平性与新范式安全性的讨论。