Simple Science

Ciencia de vanguardia explicada de forma sencilla

# Informática# Visión por Computador y Reconocimiento de Patrones

Guía Esencial para la Publicación en ACM

Una guía sencilla para usar el template de artículos de ACM de manera efectiva.

― 6 minilectura


Publicación de ACM HechaPublicación de ACM HechaFácilde artículos ACM.Tu guía rápida para el diseño y formato
Tabla de contenidos

¡Bienvenido al mundo de la publicación de ACM! Si estás entrando en este ámbito por primera vez, o si ya has estado aquí antes y solo necesitas un repaso rápido, esta guía te ayudará a entender la plantilla de artículos de ACM. Es como un mapa confiable que te muestra por dónde ir sin caminos confusos.

¿Qué es la plantilla de ACM?

La plantilla de ACM es un conjunto especial de reglas y estilos que ayuda a todos a publicar su investigación de manera uniforme. Piensa en ello como el atuendo que usas cuando vas a un evento importante; todos se ven bien, y causa una buena impresión. Esta plantilla cubre todo, desde cómo escribir tu título hasta cómo formatear tus Referencias, asegurando que tu trabajo luzca profesional y sea fácil de leer.

Empezando con la plantilla

Cuando empieces a escribir, usarás la clase de documento “acmart”. Esta es tu herramienta principal para crear documentos destinados a publicaciones de ACM. Puedes usar esta clase de documento para varios tipos de contenido, ya sea que estés enviando un artículo técnico completo, escribiendo un resumen o preparando un artículo para una revista.

Elegir el estilo de tu plantilla

Lo primero que necesitas hacer es seleccionar un estilo de plantilla. Esto es como elegir la receta adecuada según el plato que quieres servir. Existen diferentes estilos para diferentes tipos de publicaciones:

  • Para Revistas:

    • acmsmall: El estilo estándar para la mayoría de las revistas.
    • acmlarge: Usado por revistas específicas.
    • acmtog: Otro estilo especializado para revistas.
  • Para Conferencias:

    • acmconf: El estilo predeterminado para la mayoría de los artículos de conferencias.
    • sigchi: Para artículos de conferencias SIGCHI.
    • sigplan: Para conferencias SIGPLAN.

Elige el estilo correcto para asegurarte de que estás en el buen camino.

Parámetros de la plantilla: Ajustando tu documento

Además de elegir un estilo, hay parámetros que puedes configurar para cambiar algunas cosas sobre cómo se ve tu documento. Pero no te emociones demasiado, ¡a ACM le gusta su formato así! Aquí hay algunos parámetros comunes:

  • anonymous,review: Mantiene oculta tu identidad durante el proceso de revisión.
  • authorversion: Genial para compartir tu propia versión en línea.
  • screen: Agrega hipervínculos coloridos a tu texto.

Recuerda, ACM tiene algunas reglas estrictas en contra de modificar cosas como márgenes y fuentes. Cumple con las pautas, y tu documento pasará sin problemas.

Títulos y autores

Cuando se trata de tu título, asegúrate de capitalizarlo correctamente. Esto no es solo para lucir bien; ayuda a tus lectores a ver de qué trata tu trabajo de inmediato. Si tu título es demasiado largo, necesitarás pensar en una versión más corta para los encabezados.

Al listar autores, escribe nombres completos. Este no es el lugar para apodos o iniciales; ¡todos deben brillar! Además, no olvides incluir direcciones de correo electrónico para que los lectores puedan contactarte para más información.

Derechos y responsabilidades

Cada vez que publicas con ACM, tendrás que llenar un formulario de derechos. Esto no es solo trabajo innecesario; es para aclarar qué derechos mantienes y cuáles le das a ACM. Tus opciones pueden incluir transferencia de derechos de autor u opciones de acceso abierto. Después de llenarlo, recibirás una copia que incluye comandos importantes que necesitas incluir en tu documento.

Clasificando tu trabajo

Para ayudar a la gente a encontrar tu trabajo fácilmente, necesitas categorizarlo usando el Sistema de Clasificación de Computación de ACM. Esto es como añadir etiquetas a una publicación en redes sociales; ayuda a quienes están interesados en tu tema a descubrir tu artículo. También puedes incluir tus propias palabras clave que describan tu investigación.

Organizando tu documento

Tu artículo debería seguir una estructura clara con secciones y subsecciones. Asegúrate de numerar estas secciones. No te fíes de usar negritas o cursivas solo para actuar como un encabezado de sección; usa los comandos adecuados. ¡La consistencia es clave!

Tablas y figuras

Si tienes tablas o figuras, deben ser claras y estar bien formateadas. Coloca los pies de tabla encima de la tabla, y para figuras, pon los pies de figura debajo. Siempre añade descripciones de figuras para accesibilidad. Esto asegura que todos sepan de qué trata tu contenido visual, especialmente aquellos que no pueden verlo.

Escribiendo ecuaciones matemáticas

Si tu trabajo incluye matemáticas, puedes incluir ecuaciones en diferentes estilos. Por ejemplo, las ecuaciones en línea encajan naturalmente dentro de tu texto, mientras que las ecuaciones de visualización están solas y centradas. Solo asegúrate de que sean fáciles de leer y estén bien formateadas.

Citas y referencias

Cuando referencias el trabajo de otros, hazlo con cuidado. Usa BibTeX, que te ayuda a gestionar y formatear tus referencias de manera ordenada. Recuerda incluir nombres completos e información detallada sobre las fuentes para que los lectores puedan seguirlas fácilmente si lo desean.

Agradecimientos

¡No olvides expresar gratitud! Menciona a cualquier persona o grupo que te haya ayudado con tu investigación. Esta sección debe colocarse antes de tus referencias. Usa el entorno especial “acks” para asegurarte de que tus agradecimientos estén formateados correctamente.

Añadiendo un apéndice

Si tienes material extra que apoya tu trabajo pero no encaja bien en el texto principal, puedes añadir un apéndice. Solo recuerda etiquetarlo y usar letras para numerar las secciones en lugar de números regulares.

Plantillas especiales para resúmenes extendidos

Si estás enviando un Resumen Extendido de SIGCHI, hay plantillas específicas que permiten un formato único. Puedes incluir cosas en los márgenes y añadir barras laterales para hacer que tu trabajo destaque aún más.

Conclusión

Seguir la plantilla de artículos de ACM ayuda a asegurar que tu trabajo sea fácilmente leído y entendido. Piensa en ello como tu guía confiable a través del proceso a veces complicado de la publicación académica. Cumple con las reglas, mantén todo organizado, y estarás en buen camino para causar una gran impresión con tu investigación. ¡Feliz escritura!

Fuente original

Título: Learning from Limited and Imperfect Data

Resumen: 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.

Autores: Harsh Rangwani

Última actualización: 2024-11-11 00:00:00

Idioma: English

Fuente URL: https://arxiv.org/abs/2411.07229

Fuente PDF: https://arxiv.org/pdf/2411.07229

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

Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.

Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.

Artículos similares