请问发nlp或者cv论文，一定要是sota吗？
现在有了一个想法，就是结果比sota差点，而且sota用了n多种方法刷结果
故事编的好，论文发到饱。
不一定。
1、如果你的idea足够新颖，给审稿人读完之后有一种受到强大启发，能有一种学到不少新知识的感觉，模型性能没有那么重要，但总不能太差。
2、如果你主卖的就不是性能，就不需要，比如我主卖速度快，在性能只掉一点的情况下，速度大幅度提升，这就完全不用sota了。如果此时你还到了sota，还会写论文的话，那基本问题不大了。
我个人觉得什么时候需要：
如果你的模型很多时候是之前work就有过的，比如层次化结构融入了上下文信息，多任务联合建模充分利用相关任务信息，用gcn融入了句法信息，你用新提出的非自回归模型做了一个新生成任务等等一系列，如果你的模型还到不了sota，那不是等于告诉别人，你加了这些信息还没有work吗，那基本会凉。
先回答问题，不一定需要sota效果。其实前面几个回答都提到了讲故事的能力了。就我个人的观点而言，恰好最近读了论文《Concatenated Power Mean Word Embeddings as Universal Cross-Lingual Sentence Representations》（sentence embedding相关），传统的句子embedding的简单做法是直接对句子中所有单词的embedding进行相加平均，该论文认为不同的预训练词向量包含不同的信息，将它们进行拼接会比只使用一种词向量要好，当然论文的内容不止这些。重点在于在实验部分（下图）。
可以发现作者提出的方法其实并没有比InferSent的整体效果来的好，但是作者提出的方法却非常简单，说到底就是一个power mean+concat的思想，同时不依赖于高质量数据集。
所以说，我个人认为，论文并不一定需要达到sota，但是最好不要相差太多，如果与sota方法的思路方向不一致可能更好，还有就是基于传统的做法思想进行了大的提升甚至逼近sota就更好了。
CV除了三大会， 还有BMVC，ACCV，WACV... 这些会基本是为非SOTA准备的. 当然还有ICIP，ICPR这种投了就中的。
讲道理数据集是有限的，sota也是有限的，paper一年几千几万篇，刷不出sota都别发了？
sota-&>story: 应用价值-现存方法存在的问题-你针对问题提出了新方法-实验证明它能work，至少在某些条件下比现存方法好，比如速度快、所需训练数据少、降低标注精度要求等，且好处符合你定义的问题。
很多时候就算没有sota，以上故事很有说服力也有机会发的。
COCO上总的AP刷不过别人，但只在person这一类傲视群雄，或者person的AP small够高，应该也能发。
BMVC，ACCV，WACV... 这些会基本是为非SOTA准备的. 当然还有ICIP，ICPR这种投了就中的。
消息可靠？
如果每一篇cvpr iccv eccv都 sota那现在各种排行榜准确率不都是100%了？
我觉得sota不重要，但是一定要有对比，要让人感觉有可以借鉴的地方。至于怎么让人感觉到有借鉴的地方就要靠吹了....
重要的不是结果，是story
性能达不到的话，可以考虑更低的复杂度和模型的简洁性，作为一种 baseline 提出。在某种特定设置下超过其他模型也是可以的。一个好的思路比盲目追求 STOA 更重要。
虽然我也没什么经验，但感觉如果idea的motivation比较强，而且工作也work的话，应该可以多比较一些baseline来说明你的idea是有用的，工作量达到了论文还是能发的。
看了其他一些回答，我只想说Stoa的概念，不是一定比最好更好吧。
不是，但是对于来自非英语国家的比较junior的研究者来说，超过stoa是最简单快捷明显的展示自己方法优势的途径。
不用不用，每年几百篇AI论文如果都是sota那人类早就到火星去啦。
解决的问题有针对性或者在某一类问题上有显著提升就好，然后总体效果和sota可比就行。
推荐阅读：
