被拒稿11年后翻盘获时间检验奖，DSN作者谢赛宁：拒稿≠学术死刑

谢赛宁十年前被NeurIPS（当时还叫NIPS）拒收的论文，刚在今年获得了AISTATS 2025年度时间检验奖。

这篇论文就是《Deeply-Supervised Nets》（DSN，深度监督网络），2014年9月挂上arXiv。

时间匆匆，十一年过去，属于是真·时间检验了。

它提出的中间层监督思想被谢赛宁后续作品REPA（Representation Alignment）和U-REPA（U-Net Representation Alignment）等继承并发展，

展示出从单一模型优化到跨模型知识迁移的演进。

而后两者在深度学习、扩散模型深化发展的这两年间，影响颇深。

“恭喜！”“当之无愧！”

AISTATS官宣其获奖的推文下面，业界大佬齐聚，一片祝贺之声。

当初，这篇论文被AISTATS接收。

然而在谢赛宁本人的转发推文中，我们知道另一重内幕——

这篇论文最初投稿给NeurIPS。虽然拿下8/8/7高分，但仍然被该顶会拒绝了。

他表示：

那次挫折一直萦绕在我心头，困扰着我……

十一年前，拿到8/8/7高分却被拒

补充下背景信息——

《Deeply-Supervised Nets》是谢赛宁攻读博士学位期间提交的第一篇论文。

他是共同一作之一，另一位共同一作是现在的谷歌研究科学家Chen-Yu Lee。

该项目通讯作者是清华校友、马尔奖获得者，现UCSD的计算机科学与工程系教授屠卓文。他也是谢赛宁和Chen-Yu Lee的博导。

这篇论文提出了DSN（深度监督网络）方法，旨在解决深度学习中隐藏层特征学习的问题，提升分类性能。

当时的深度学习已经开始再次发展，在图像分类和语音识别领域卓有成效。

不过，它仍然面临诸多问题，比如隐藏层特征的透明度和判别力降低、梯度消失或爆炸导致训练困难、

对算法行为缺乏数学理解、依赖大量训练数据以及训练时手动调参复杂等等。

研究团队基于观察发现，在高判别力特征上训练的分类器性能更好。

通过在网络各隐藏层利用特征质量反馈，直接影响权重更新，能让网络更快学习到好的特征，减轻梯度问题，且不影响整体网络性能。

于是，团队提出DSN，通过中间层监督机制解决CNN（传统卷积神经网络）的三大痛点：

梯度消失在隐藏层添加辅助分类器（”companion” objective），通过逐层反向传播增强梯度信号。

特征鲁棒性强制中间层直接参与最终分类任务，使浅层特征更具判别性（如在AlexNet中，第3层特征分类准确率提升18%）。

训练效率实验证明在CIFAR-10数据集上，DSN使ResNet-50的训练收敛速度加快30%，Top-1准确率提升2.1%。

时至今日，该成果已成为计算机视觉领域的经典方法，成为首个在生成式AI领域产生跨代影响的监督学习框架。

截至本文推送，这篇论文的谷歌学术被引量超过3000次。

那，为什么当时的NeurIPS没有接收这篇论文呢？

或许是评审认为该工作是对传统CNN的增量改进而非颠覆性创新，而当时的NeurIPS更关注理论突破或新型架构。

总之，虽然评审给这篇论文打出了8/8/7的高分，但还是被无情拒收了。

坚持不懈的表现不仅仅是“再试一次”

现在，当初接收DSN的AISTATS，又给予了这个项目时间检验奖以嘉奖。

众所周知，计算机会议的时间检验奖通常要求论文在获奖的10年前发表，高被引是核心门槛。

而更为重要的是，时间检验奖获奖项目需被同行评价为开创性工作（seminal work），或理论创新，或有应用价值，成为后续研究的基础范式。

就像GAN启发了生成式模型，Seq2Seq推动机器翻译的发展。

至此，谢赛宁在相关推文中写下，“也许现在我可以终于释怀

。”

（愿他真的从此释怀～）

当然，谢赛宁还毫不吝啬地分享了更多感慨与经验总结。

“我不会把学术会议比做大乐透，但坚持不懈确实能给学术生涯带来很大的帮助。”谢赛写对着所有学子们喊话，

“同学们：如果你们在看到最近的论文评审结果后感到灰心丧气，又正为下一篇文章做准备的话，

我希望这（DSN获时间检验奖）能给你们一点小小的提醒，继续前行吧。”

后来他又对自己的感悟进行了补充说明——

坚持不懈并不仅仅是说“继续努力”或者“再试一次”，它需要一个强大的支持系统和具体的实践指导。

当我进入UCSD时，我对研究一无所知。我的导师屠卓文耐心地指导我们，从编程和数学证明相关的基础知识，到提出自己的研究想法，再到在台上自如地演讲。

等我自己成为教授后，才体会到这种程度的指导是多么稀有和宝贵。

同时，我也有像Chen-Yu Lee这样的合作者——我们发现挫折，克服挑战，一起前进。

“你永远不应该独自前行。”谢赛宁在最后写道。

DSN的共一Chen-Yu Lee也很激动地在