請問發nlp或者cv論文，一定要是sota嗎？
現在有了一個想法，就是結果比sota差點，而且sota用了n多種方法刷結果
故事編的好，論文發到飽。
不一定。
1、如果你的idea足夠新穎，給審稿人讀完之後有一種受到強大啟發，能有一種學到不少新知識的感覺，模型性能沒有那麼重要，但總不能太差。
2、如果你主賣的就不是性能，就不需要，比如我主賣速度快，在性能只掉一點的情況下，速度大幅度提升，這就完全不用sota了。如果此時你還到了sota，還會寫論文的話，那基本問題不大了。
我個人覺得什麼時候需要：
如果你的模型很多時候是之前work就有過的，比如層次化結構融入了上下文信息，多任務聯合建模充分利用相關任務信息，用gcn融入了句法信息，你用新提出的非自回歸模型做了一個新生成任務等等一系列，如果你的模型還到不了sota，那不是等於告訴別人，你加了這些信息還沒有work嗎，那基本會涼。
先回答問題，不一定需要sota效果。其實前面幾個回答都提到了講故事的能力了。就我個人的觀點而言，恰好最近讀了論文《Concatenated Power Mean Word Embeddings as Universal Cross-Lingual Sentence Representations》（sentence embedding相關），傳統的句子embedding的簡單做法是直接對句子中所有單詞的embedding進行相加平均，該論文認為不同的預訓練詞向量包含不同的信息，將它們進行拼接會比只使用一種詞向量要好，當然論文的內容不止這些。重點在於在實驗部分（下圖）。
可以發現作者提出的方法其實並沒有比InferSent的整體效果來的好，但是作者提出的方法卻非常簡單，說到底就是一個power mean+concat的思想，同時不依賴於高質量數據集。
所以說，我個人認為，論文並不一定需要達到sota，但是最好不要相差太多，如果與sota方法的思路方向不一致可能更好，還有就是基於傳統的做法思想進行了大的提升甚至逼近sota就更好了。
CV除了三大會， 還有BMVC，ACCV，WACV... 這些會基本是為非SOTA準備的. 當然還有ICIP，ICPR這種投了就中的。
講道理數據集是有限的，sota也是有限的，paper一年幾千幾萬篇，刷不出sota都別發了？
sota-&>story: 應用價值-現存方法存在的問題-你針對問題提出了新方法-實驗證明它能work，至少在某些條件下比現存方法好，比如速度快、所需訓練數據少、降低標註精度要求等，且好處符合你定義的問題。
很多時候就算沒有sota，以上故事很有說服力也有機會發的。
COCO上總的AP刷不過別人，但只在person這一類傲視群雄，或者person的AP small夠高，應該也能發。
BMVC，ACCV，WACV... 這些會基本是為非SOTA準備的. 當然還有ICIP，ICPR這種投了就中的。
消息可靠？
如果每一篇cvpr iccv eccv都 sota那現在各種排行榜準確率不都是100%了？
我覺得sota不重要，但是一定要有對比，要讓人感覺有可以借鑒的地方。至於怎麼讓人感覺到有借鑒的地方就要靠吹了....
重要的不是結果，是story
性能達不到的話，可以考慮更低的複雜度和模型的簡潔性，作為一種 baseline 提出。在某種特定設置下超過其他模型也是可以的。一個好的思路比盲目追求 STOA 更重要。
雖然我也沒什麼經驗，但感覺如果idea的motivation比較強，而且工作也work的話，應該可以多比較一些baseline來說明你的idea是有用的，工作量達到了論文還是能發的。
看了其他一些回答，我只想說Stoa的概念，不是一定比最好更好吧。
不是，但是對於來自非英語國家的比較junior的研究者來說，超過stoa是最簡單快捷明顯的展示自己方法優勢的途徑。
不用不用，每年幾百篇AI論文如果都是sota那人類早就到火星去啦。
解決的問題有針對性或者在某一類問題上有顯著提升就好，然後總體效果和sota可比就行。
推薦閱讀：
