看论文时，在实验部分经常会出现一个Ablation Study模块。Ablation Study可以翻译为 消融实验，本篇博客将解释一下什么是Ablation Study。
Ablation Study典型的做法是在模型或算法中移除一些“feature”，然后看一下对模型性能的影响。（类似于控制变量法，每次修改一个变量，保持其他变量不动，观察这个变量对结果/性能的影响）。
例如：
- LSTM单元有4个门： feature, input, output, forget。我们可能会问所有这4个门都是必要的吗？如果我去掉其中一个会怎么样？实际上，已经对LSTM变体进行了大量实验，其中GRU是一个著名的例子（更简单）。
- 如果一个算法或模型是基于之前的工作进行修改，有一系列的改进，研究者想知道最关键的改动是什么或者证明这些改进是有意义的/有效的。（利用Ablation Study，比较添加某个改进后模型性能和原始模型性能，如果添加后的模型性能有很大的提高，说明这个改进或这个工作是有效、有意义的 ）
- 越简单越好(Simpler is better.)如果两个模型可以获得相同的效果/性能，优先选择简单的那一个。（利用Ablation Study，去掉模型的某个/些结构后，性能没有下降或下降在可接受范围内，那么就采用去掉这个结构后的模型，因为它更简单）
- 如果使用了某些技巧来使算法/模型起作用，那么了解该算法/模型对于消除这些技巧后是否强大/鲁棒是很有用的。
