how to write a paper - logical part(1)
- 像AAAI,IJCAI这种水会,投论文更多的像是掷筛子,随机性很大,你投不中不能说明你不好,你投中了也不能说明你强。
- 从审稿人角度考虑,如果这篇文章他看得懂,那他很可能会拒掉;如果他看不懂,那么他觉得这篇文章可能有价值,得琢磨一下。
- 纯方法类的文章研究和提升起来是很难的,很少有人做这个,所以作为普通的投稿人如果方法不强,那么需要逻辑合理并且从其他的地方找补回来,这个找补的地方就是motivation, evaluation. 整篇文章,motivation, method, evaluation 各占1/3,要么每块板都不短,要么在其他的地方找补回来。其中motivation里面的classifying就需要你对领域的认知了。
- 在验证部分,数据需要有两类,1. 标准数据,2. 领域(私有)数据。如果你只有领域数据,那么需要多用几种领域数据。在验证方法上,如果没有量化指标的验证,那么可以做个case study,这个同可视化是一样的。
- 如果是数据驱动的文章,那么你一定要了解数据,这个了解数据,不单单指数据的各项属性,还需要知道在所属领域内的数据特征。
- 相比于工程类文章,计算机类文章不讲究可解释性, 这也导致了计算机类文章的水分很大。
分类:
科研进程
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· AI与.NET技术实操系列:向量存储与相似性搜索在 .NET 中的实现
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· Linux系列:如何用heaptrack跟踪.NET程序的非托管内存泄露
· 开发者必知的日志记录最佳实践
· SQL Server 2025 AI相关能力初探
· winform 绘制太阳,地球,月球 运作规律
· 震惊!C++程序真的从main开始吗?99%的程序员都答错了
· AI与.NET技术实操系列(五):向量存储与相似性搜索在 .NET 中的实现
· 超详细:普通电脑也行Windows部署deepseek R1训练数据并当服务器共享给他人
· 【硬核科普】Trae如何「偷看」你的代码?零基础破解AI编程运行原理