Vencedores do Prêmio Turing republicaram métodos e ideias-chave sem crédito

Percepções sobre o autor do artigo

• Muitos comentadores dizem que adivinharam imediatamente quem escreveu o texto, refletindo sua forte associação com disputas públicas de prioridade.
• Vários o descrevem como autoengrandecedor, um “troll de patentes acadêmico” ou uma piada recorrente na área, ofuscando o respeito por seu trabalho historicamente importante e por seu laboratório influente.
• Outros o defendem como um dos principais contribuintes iniciais para o aprendizado profundo, cujo trabalho sustenta sistemas usados diariamente, argumentando que sua reputação foi distorcida pelas redes sociais e por personalidades do outro lado da disputa.
• Alguns expressam simpatia: acham que ele foi pouco reconhecido e se tornou cada vez mais amargo e combativo como resultado.

Acusações de prioridade e plágio

• O artigo lista vários casos em que o autor afirma que métodos importantes (por exemplo, treinamento adversarial, análise de gradientes que desaparecem, mecanismos de atenção, metalearning, distillation, RNNs com portas, pretraining) foram publicados em seu grupo anos antes de trabalhos posteriores de alto perfil de vencedores do Prêmio Turing.
• Alguns comentadores dizem que verificaram vários desses casos (especialmente nas séries “B” e “H”) e não encontraram erros factuais óbvios.
• Outros argumentam que suas formulações anteriores são vagas, amplas ou apenas fracamente relacionadas, e que os trabalhos posteriores merecem crédito distinto por tornar modelos específicos eficazes e amplamente aplicáveis.

Cultura de citações e integridade acadêmica

• Muitos observam que artigos antigos ou obscuros são frequentemente ignorados, especialmente quando computação ou ferramentas os tornavam impraticáveis na época. Redescobertas são comuns, às vezes entre disciplinas com terminologias diferentes.
• Há ampla preocupação com a política de citações: revisores em busca de citações, figuras poderosas que “devem ser citadas” e adição de citações apenas para agradar pessoas, o que desvaloriza as listas de referências.
• Alguns insistem que, independentemente da viabilidade prática, o trabalho original deve ser citado assim que sua relevância for conhecida; deixar de corrigir o registro depois é visto como uma violação séria.

Quem merece crédito? Ideias vs. implementações

• Um grupo diz que o crédito pertence principalmente a quem faz as ideias funcionarem em benchmarks reais e dados reais; esboços abstratos existem “a rodo”.
• Outro insiste que inventores e popularizadores devem receber crédito diferenciado: um por originar o método, outro por escalar e demonstrá-lo.
• Os comentadores divergem sobre se as normas atuais de aprendizado de máquina realmente refletem esse princípio.

Anedotas pessoais e questões mais amplas de crédito

• Um pesquisador relata ter sido atacado publicamente pelo autor do artigo por supostamente não citá-lo, embora seu trabalho citasse pesquisas anteriores, mais fundamentais, que o próprio autor havia deixado de citar.
• Outra anedota (sobre um avanço diferente em deep learning em uma grande empresa) descreve o originador de uma ideia sendo omitido da autoria e dos agradecimentos, reforçando a alegação de que a área tem um problema sistêmico de atribuição de crédito, e não apenas um indivíduo controverso.

Tom da discussão

• A discussão está polarizada: muitos ataques ad hominem duros ao autor do artigo, misturados com defesas que enfatizam devido processo e verificação cuidadosa dos fatos.
• Alguns participantes criticam a própria discussão como não científica e movida por emoções, alertando contra descartar queixas de plágio simplesmente porque o reclamante é impopular.