Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Computerwissenschaften# Computer Vision und Mustererkennung

Wichtiger Leitfaden für ACM-Veröffentlichungen

Ein einfacher Leitfaden zur effektiven Nutzung der ACM-Artikelvorlage.

Harsh Rangwani

― 6 min Lesedauer


ACM Verlag ganz einfachACM Verlag ganz einfachund das Format von ACM-Artikeln.Dein schneller Leitfaden für das Design
Inhaltsverzeichnis

Willkommen in der Welt des ACM-Publishings! Wenn du zum ersten Mal in diesen Pool eintauchst, oder wenn du schon mal hier warst und nur eine schnelle Auffrischung brauchst, hilft dir dieser Leitfaden, die ACM-Artikelvorlage zu verstehen. Es ist wie eine vertrauenswürdige Karte, die dir zeigt, wo du hin musst, ohne verwirrende Wege.

Was ist die ACM-Vorlage?

Die ACM-Vorlage ist ein spezielles Set von Regeln und Stilen, das allen hilft, ihre Forschung einheitlich zu veröffentlichen. Denk daran wie an das Outfit, das du trägst, wenn du zu einer wichtigen Veranstaltung gehst; jeder sieht schick aus, und es hinterlässt einen guten Eindruck. Diese Vorlage umfasst alles, von wie du deinen Titel schreibst bis hin zu wie du deine Quellen formatierst, damit deine Arbeit professionell aussieht und leicht zu lesen ist.

Erste Schritte mit der Vorlage

Wenn du anfängst zu schreiben, verwendest du die Dokumentenklasse “acmart”. Das ist dein Hauptwerkzeug, um Dokumente für ACM-Publikationen zu erstellen. Du kannst diese Dokumentenklasse für verschiedene Arten von Inhalten nutzen – egal, ob du ein vollständiges Fachpapier einreichst, ein Abstract schreibst oder einen Zeitschriftenartikel vorbereitest.

Wählen deines Vorlagenstils

Das Erste, was du tun musst, ist, einen Vorlagenstil auszuwählen. Das ist wie das richtige Rezept auszuwählen, basierend auf dem Gericht, das du servieren möchtest. Es gibt verschiedene Stile für verschiedene Arten von Publikationen:

  • Für Zeitschriften:

    • acmsmall: Der Standardstil für die meisten Zeitschriften.
    • acmlarge: Wird von bestimmten Zeitschriften verwendet.
    • acmtog: Ein weiterer spezialisierter Zeitschriftenstil.
  • Für Konferenzen:

    • acmconf: Der beliebte Stil für die meisten Konferenzpapiere.
    • sigchi: Für SIGCHI-Konferenzpapiere.
    • sigplan: Für SIGPLAN-Konferenzen.

Wähle den richtigen Stil, um sicherzustellen, dass du auf dem richtigen Weg bist.

Vorlagenparameter: Anpassen deines Dokuments

Neben der Auswahl eines Stils gibt es Parameter, die du einstellen kannst, um ein paar Dinge über das Aussehen deines Dokuments zu ändern. Aber übertreib es nicht – ACM mag ihr Format genau so! Hier sind ein paar gängige Parameter:

  • anonymous,review: Hält deine Identität während des Bewertungsprozesses geheim.
  • authorversion: Toll für das Teilen deiner eigenen Version online.
  • screen: Fügt farbige Hyperlinks in deinen Text ein.

Denk daran, dass ACM einige strenge Regeln hat, was die Änderung von Dingen wie Rändern und Schriftarten angeht. Halte dich an die Richtlinien, und dein Dokument wird problemlos durchkommen.

Titel und Autoren

Achte darauf, dass dein Titel richtig grossgeschrieben ist. Es geht nicht nur darum, schick auszusehen; es hilft deinen Lesern sofort zu erkennen, worum es in deiner Arbeit geht. Wenn dein Titel zu lang ist, musst du eine kürzere Version für die Überschriften finden.

Wenn du Autoren auflistest, schreibe die vollständigen Namen. Das ist nicht der Platz für Spitznamen oder Initialen – jeder soll glänzen! Vergiss auch nicht, E-Mail-Adressen hinzuzufügen, damit Leser dich für weitere Informationen kontaktieren können.

Rechte und Pflichten

Immer wenn du mit ACM veröffentlichst, musst du ein Rechteformular ausfüllen. Das ist nicht nur Zeitvertreib; es soll klären, welche Rechte du behältst und welche Rechte du an ACM abgibst. Deine Optionen können die Übertragung von Urheberrechten oder Open-Access-Optionen umfassen. Nachdem du es ausgefüllt hast, bekommst du eine Kopie, die wichtige Anweisungen enthält, die du in dein Dokument aufnehmen musst.

Klassifizierung deiner Arbeit

Um den Leuten zu helfen, deine Arbeit leicht zu finden, musst du sie mit dem ACM Computing Classification System kategorisieren. Das ist wie Tags zu einem Social-Media-Beitrag hinzuzufügen – es hilft interessierten Leuten, deinen Artikel zu entdecken! Du kannst auch deine eigenen Schlüsselwörter hinzufügen, die deine Forschung beschreiben.

Organisation deines Dokuments

Dein Papier sollte einer klaren Struktur mit Abschnitten und Unterabschnitten folgen. Achte darauf, diese Abschnitte zu nummerieren. Lass dich nicht verleiten, fett oder kursiv zu nutzen, nur um wie eine Abschnittsüberschrift zu wirken; benutze stattdessen die richtigen Befehle. Konsistenz ist das A und O!

Tabellen und Abbildungen

Wenn du Tabellen oder Abbildungen hast, sollten sie klar und richtig formatiert sein. Platziere die Tabellenüberschrift über der Tabelle und für Abbildungen die Beschriftung darunter. Füge immer Abbildungsbeschreibungen für die Zugänglichkeit hinzu. So stellen wir sicher, dass jeder weiss, worum es bei deinen Visualisierungen geht – besonders die, die sie nicht sehen können.

Schreiben von mathematischen Gleichungen

Wenn deine Arbeit Mathematik enthält, kannst du Gleichungen in verschiedenen Stilen einfügen. Zum Beispiel passen Inline-Gleichungen natürlich in deinen Text, während Anzeigegleichungen eigenständig stehen und zentriert sind. Achte nur darauf, dass sie leicht zu lesen und ordentlich formatiert sind.

Zitationen und Referenzen

Wenn du auf die Arbeiten anderer verweist, mach das mit Bedacht. Nutze BibTeX, das dir hilft, deine Referenzen ordentlich zu verwalten und zu formatieren. Denk daran, vollständige Namen und detaillierte Informationen zu den Quellen einzufügen, damit Leser leicht darauf zugreifen können, wenn sie möchten.

Danksagungen

Vergiss nicht, Dankbarkeit zu zeigen! Erwähne alle Personen oder Gruppen, die dir bei deiner Forschung geholfen haben. Dieser Abschnitt sollte vor deinen Referenzen platziert werden. Nutze die spezielle “acks”-Umgebung, um sicherzustellen, dass dein Dank richtig formatiert ist.

Hinzufügen eines Anhangs

Wenn du zusätzliches Material hast, das deine Arbeit unterstützt, aber nicht gut in den Haupttext passt, kannst du einen Anhang hinzufügen. Denk daran, ihn zu kennzeichnen und Buchstaben anstelle von normalen Zahlen für die Abschnittsnummerierung zu verwenden.

Besondere Vorlagen für erweiterte Abstracts

Wenn du einen SIGCHI Extended Abstract einreichst, gibt es spezielle Vorlagen, die einzigartiges Formatieren erlauben. Du kannst Dinge in den Rändern hinzufügen und Seitenleisten einfügen, um deine Arbeit noch mehr hervorzuheben.

Fazit

Die Befolgung der ACM-Artikelvorlage hilft sicherzustellen, dass deine Arbeit leicht gelesen und verstanden werden kann. Denk daran wie an deinen treuen Begleiter durch den manchmal kniffligen Prozess des akademischen Publizierens. Halte dich an die Regeln, bleib organisiert, und du wirst auf dem besten Weg sein, einen tollen Eindruck mit deiner Forschung zu hinterlassen. Viel Spass beim Schreiben!

Originalquelle

Titel: Learning from Limited and Imperfect Data

Zusammenfassung: The datasets used for Deep Neural Network training (e.g., ImageNet, MSCOCO, etc.) are often manually balanced across categories (classes) to facilitate learning of all the categories. This curation process is often expensive and requires throwing away precious annotated data to balance the frequency across classes. This is because the distribution of data in the world (e.g., internet, etc.) significantly differs from the well-curated datasets and is often over-populated with samples from common categories. The algorithms designed for well-curated datasets perform suboptimally when used to learn from imperfect datasets with long-tailed imbalances and distribution shifts. For deep models to be widely used, getting away with the costly curation process by developing robust algorithms that can learn from real-world data distribution is necessary. Toward this goal, we develop practical algorithms for Deep Neural Networks that can learn from limited and imperfect data present in the real world. These works are divided into four segments, each covering a scenario of learning from limited or imperfect data. The first part of the works focuses on Learning Generative Models for Long-Tail Data, where we mitigate the mode-collapse for tail (minority) classes and enable diverse aesthetic image generations as head (majority) classes. In the second part, we enable effective generalization on tail classes through Inductive Regularization schemes, which allow tail classes to generalize as the head classes without enforcing explicit generation of images. In the third part, we develop algorithms for Optimizing Relevant Metrics compared to the average accuracy for learning from long-tailed data with limited annotation (semi-supervised), followed by the fourth part, which focuses on the effective domain adaptation of the model to various domains with zero to very few labeled samples.

Autoren: Harsh Rangwani

Letzte Aktualisierung: 2024-11-11 00:00:00

Sprache: English

Quell-URL: https://arxiv.org/abs/2411.07229

Quell-PDF: https://arxiv.org/pdf/2411.07229

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.

Ähnliche Artikel