Ich würde nach einem Co-Supervisor fragen. Der Zugang zu angesehenen DL-Forschern ist großartig - aber sie haben nur begrenzte Zeit / Interesse daran, Ihnen zu helfen, wenn Sie nicht "formal" ihr Schüler sind . Wenn Sie es schaffen, jemanden in dieser Rolle zu finden, denke ich, dass Ihre Position nahezu perfekt ist.

Wenn Sie es nicht schaffen, jemanden in dieser Rolle zu finden, habe ich drei Hauptprobleme:

• Sie werden eine Menge Zeit verbringen das Rad neu erfinden. Können Sie beispielsweise ein CNN in ImageNet von Grund auf neu trainieren? Es sind viele Einschränkungen erforderlich, um Ergebnisse auf dem neuesten Stand der Technik zu erhalten (z. B. Erweiterung des Datensatzes, Regularisierungsverlust usw.), und Sie werden sie wahrscheinlich einzeln neu entdecken (oder ein Black-Box-Modell verwenden) du verstehst nicht wirklich). Ein DL-Experte hätte wahrscheinlich bereits Arbeitscode und könnte ihn Ihnen erklären, sodass Sie direkt zur Recherche springen können. (Ja, es gibt Open-Source-Codes ... aber meiner Erfahrung nach erfordern sie alle viel Arbeit, um sowohl transparent als auch genau zu sein.
• Mathematische Genauigkeit. Es ist einfach, ML / DL in einem zu lernen "Techniker-Level" - aber als Doktorand sollten Sie es wirklich als mathematisches Level verstehen, wenn nicht als Theorem- / Beweislevel. Es kann schwierig sein, dies alleine zu tun.
• Problemauswahl. Ihr medizinischer Berater wird es wahrscheinlich als sehr neuartig empfinden, vorhandene Techniken auf medizinischen Bildern auszuführen. Auf medizinischer Seite kann es sogar eine neuartige Anwendung geben - auf der ML-Seite ist dies jedoch nicht wirklich interessant, sondern nur eine einfache Anwendung von Eine Technik für ein einfaches Problem. Dies ist vielleicht in Ordnung, wenn Ihr Interesse ausschließlich auf der medizinischen Seite liegt. Wenn Sie jedoch auch auf der ML-Seite etwas Interessantes tun möchten, sind Sie im Wesentlichen allein, um sich etwas auszudenken wird (zum ersten Mal) ohne Berater auf beiden Seiten schwierig sein.

Das sind die wichtigsten Sackgassen, die ich sehe. Natürlich gibt es auch eine Menge Vorteile - das klingt nach einer sehr interessanten, angesehenen Position, die Sie für eine akademische Karriere gut positionieren würde. Nur Sie können diesen Kompromiss beurteilen.

Möchten Sie ein Tool entwerfen, mit dem viele Dinge erstellt werden können, oder lernen Sie, wie Sie die verfügbaren Tools am besten zum Bauen eines Hauses verwenden können?

Möchten Sie in maschinellem Lernen promovieren oder sind Sie es? versuchen, maschinelles Lernen zu verwenden, um Probleme in der medizinischen Bildgebung zu lösen?

Im ersten Fall würde ich @ cag51 zustimmen. Ohne einen Deep Learning-Supervisor wäre es eine Herausforderung und auch unwahrscheinlich, dass Ihre Promotion ihr volles Potenzial entfalten würde.

Wenn Sie jedoch mehr daran interessiert sind, neuartige und praktische Anwendungen für vorhandene Techniken des maschinellen Lernens zu finden, um diese zu verbessern Auf dem Gebiet der medizinischen Bildgebung ist dann der Mangel an Fachaufsicht weniger wichtig. Es gibt eine erstaunliche Menge an niedrig hängenden Früchten, die nur ein breites konzeptionelles Verständnis des maschinellen Lernens in Kombination mit domänenspezifischem Fachwissen (z. B. medizinische Bildgebung) erfordern.

Nach Ihrer ersten Arbeit / Ihrem ersten Projekt werden Sie zweifellos eine entdecken Eine Vielzahl von Problemen, die für Ihren Domain-Bereich spezifisch sind und weitere Nachforschungen und gründliche Kenntnisse des Domain-Bereichs erfordern, die von Ihrem primären Vorgesetzten bereitgestellt werden können.

Dies könnte eine großartige Gelegenheit sein, dem Feld zu helfen Nutzen Sie die Vorteile des maschinellen Lernens auf sehr angewandte und praktische Weise und schaffen Sie Ihre eigene akademische Nische.

Klingt nach einer großartigen Anpassung mit einigen Optionen für verschiedene Pfade nach der Promotion. zusammen mit einigen Rückschlägen, wenn die Dinge nicht perfekt funktionieren. Ich wäre nicht sehr besorgt darüber, alle Arten von Aufsicht durch einen tiefen Experten zu haben. Es ist üblich, dass Studenten ihre eigene Arbeit ohne eine wesentliche Ausbildung durch den "Berater" (Stipendiat) machen. Solange Sie darauf achten, auf sich selbst zu achten, indem Sie sich an nachvollziehbare Probleme halten, sollte dies in Ordnung sein.

Außerdem scheinen Sie die Dinge durchdacht und gut ausgedrückt zu haben. Und einige Ihrer Kommentare (wie die Abteilungsarbeit in der Signalverarbeitung) zeigen genug Bewusstsein, dass Sie in der Lage zu sein scheinen, auf sich selbst aufzupassen und Ihre eigene Forschung voranzutreiben.

Ich stimme der Antwort von Jonno Bourne zu, aber ich habe nicht genug Ruf, um Kommentare abzugeben.

Ich möchte nur hinzufügen, dass ich mich während meiner Promotion in derselben Situation befand. Insbesondere befand ich mich im zweiten Szenario. Wenn Sie dies verfolgen, kann ich aus meiner Erfahrung sagen, dass dies durchaus realisierbar ist. Sie müssen nur eine Menge Dinge selbst lernen, aber das ist der coole Teil einer Promotion, nicht wahr?

Wenn Sie stattdessen eine Promotion auf machen möchten em> maschinelles Lernen, im Gegensatz zu mit maschinellem Lernen, dann würde ich auch in Betracht ziehen, einen (Co-) Supervisor mit ML-Fachwissen zu suchen.

Ja, das kann möglich sein. Ich würde es nicht als besonders riskant betrachten.

Einer meiner Professoren, als ich ein MSc-Student war, tat fast genau das, als er einmal promovierte. Er spezialisierte sich auf eine Lernmethode und erstellte Anwendungen dafür in seinem Hauptbereich als Supervisor.

Es dauerte jedoch lange, bis es "Deep Learning" gab und nachfolgende ML-Trends auftraten. Daher stelle ich mir vor, dass es jetzt kaum schwieriger sein sollte, zu motivieren als damals.

Die Idee, einen Co-Supervisor mit guten Lernfähigkeiten zu finden, scheint ein sehr guter Rat zu sein.

Ich habe kürzlich in Pflanzenzüchtung promoviert. An meiner Universität arbeiten immer mehr Studenten mit dem Bau von Vorhersagemaschinen, mit denen ihre Hauptberater keine Erfahrung haben. Die meisten von uns (ich selbst eingeschlossen) waren erste Studenten in der Pflanzenzüchtung, die Vorhersagemaschinen auf weitgehend technische Weise anwendeten und aus einer prädiktiven Perspektive ziemlich abgeleitete Forschung erstellten, aber neuartig waren, basierend auf der Ernte, auf die angewendet wurde. Die Studenten, die sich in dieser Situation am besten auszeichneten, waren diejenigen mit bedeutender Modellierungserfahrung, und fast alle hatten einen Master abgeschlossen. Wenn Sie diesen Weg gehen, müssen Sie selbstbestimmter als der Durchschnitt sein und sich darauf vorbereiten, Ihrem Hauptberater so viel beizubringen, wie er Ihnen beibringt. Ich hatte große Probleme mit dem Mangel an klarer Richtung durch meinen Hauptberater, aber es hat sich letztendlich gelohnt, da es mehr Optionen eröffnete, als verfügbar gewesen wären, wenn ich einen traditionelleren Weg eingeschlagen hätte.

Wenn Sie in einem Bereich promovieren, verfolgen Sie ein Interesse an einem Bereich, über den Sie nicht mehr wissen möchten, sondern ein Experte werden möchten. Ihr Vorgesetzter sollte jemand sein, der Sie effektiv durch diesen Bereich führen kann Feld und, wenn nötig, lehren Sie.

Doktoranden sind schwierig und um sich die Chance zu geben, das bestmögliche zu lernen, würde ich mich in eine ML-Forschungsgruppe einbetten, damit Sie von den Besten lernen können, anstatt selbst durch das Feld zu stolpern.

Obwohl Co-Supervision eine Option ist, funktioniert sie meiner Erfahrung nach oft nicht, da sich der Schüler zwischen zwei Vorgesetzten gestrandet fühlt, die den Schüler gegenseitig als das andere Problem betrachten. Gute Vorgesetzte könnten in Synergieeffekten arbeiten, aber wenn Sie dies nicht vor Beginn bewerten können, würden Sie ein Glücksspiel spielen.

Aus Sicht der Vorgesetzten müssen sie mit einer bereits etablierten ML-Forschung zusammenarbeiten einen Postdoktoranden mit einem Doktortitel in einem relevanten ML-Teilbereich gruppieren oder einbeziehen. Ich denke, dies ist eher ein Erfolg und weniger riskant für alle Beteiligten.

In Bezug auf die Finanzierung: Wenn Sie nicht sehr reich sind, sollten Sie nicht in Betracht ziehen, ohne Finanzierung zu promovieren. Es gibt viele Doktoranden mit finanziellen Mitteln und nicht genug gute Leute, um sie zu machen ...

Abschlusserklärung:

Wenn Sie sich als ML-Experte betrachten Wenn Sie mehr über die medizinische Bildgebung erfahren möchten, promovieren Sie mit dem genannten Betreuer. Wenn Sie ein Experte für ML werden und Ihre Erfolgschancen in einer akademischen Karriere maximieren möchten, dann promovieren Sie bei der besten ML-Forschungsgruppe, mit der Sie eine finanzierte Promotion erhalten können. Speichern Sie die feldübergreifende Zusammenarbeit für Ihren Post-Doc oder das spätere Ende Ihrer Promotion.

Unabhängig davon, welche Entscheidung Sie treffen, ist die Promotion ein großes Privileg. Machen Sie also das Beste daraus und tun Sie es nicht schau zurück!

Wichtige Fragen, die Sie selbst beantworten müssen: 1. Jonno Bournes Frage, auf welchen Bereich Sie sich konzentrieren möchten, ist wichtig. Mit anderen Worten, beginnen Sie mit dem Ende im Auge.2. Das meiste, was Sie lernen, wird nicht von Ihrem zukünftigen Vorgesetzten stammen, und seine jüngsten Erfahrungen mit ML sind nicht sehr wichtig. Fühlen Sie sich wohl, wenn Sie Ihren eigenen Weg definieren? 3. Was halten andere Doktoranden, die mit Ihrem zukünftigen Vorgesetzten zusammenarbeiten, von ihm? Dies ist wichtig. Er möchte möglicherweise ein bestimmtes Ergebnis und schränkt Ihre Untersuchungen ein, oder er fördert die Kreativität und lässt Sie entscheiden, wie Sie dazu beitragen können.

Die Finanzierung meiner RA war sehr wichtig und gab mir Sicherheit.