Directrices para la presentación de trabajos en NeurIPS 2024
Reglas esenciales para enviar trabajos a NeurIPS 2024.
― 5 minilectura
Tabla de contenidos
Bienvenido a la guía de formato para la conferencia NeurIPS 2024. Es clave seguir estas pautas al pie de la letra para que tu paper cumpla con los estándares necesarios para la presentación.
Requisitos Generales
Longitud del Paper: Tu paper debe tener hasta nueve páginas, incluyendo figuras pero sin contar agradecimientos y referencias. Los papers que superen este límite no serán revisados.
Márgenes y Texto: El texto del paper debe ajustarse a un rectángulo de 5.5 pulgadas de ancho y 9 pulgadas de largo. El margen izquierdo debe ser de 1.5 pulgadas. Usa tamaño de fuente de 10 puntos con un interlineado de 11 puntos. La fuente preferida es Times New Roman.
Título y Autores: El título debe ser de 17 puntos, en negrita y centrado entre dos líneas horizontales. La línea superior debe ser de 4 puntos de grosor, y la inferior de 1 punto. Debe haber un espacio de 14 pulgadas arriba y abajo del título hasta las líneas. Los nombres de los autores irán en negrita y centrados sobre sus respectivas direcciones.
Pautas para el Resumen
- El resumen debe tener un sangrado de 0.5 pulgadas tanto a la izquierda como a la derecha.
- Usa tamaño de 10 puntos, y el espaciado vertical debe ser de 11 puntos.
- La palabra "Resumen" debe estar en 12 puntos, en negrita y centrada.
- Deja dos espacios de línea antes del resumen.
- El resumen debe ser un solo párrafo.
Encabezados de Sección
Encabezados de Primer Nivel: Deben estar en minúsculas (excepto por la primera palabra y nombres propios), alineados a la izquierda y en negrita, en tipo de 12 puntos.
Encabezados de Segundo Nivel: Usa tipo de 10 puntos, alineados a la izquierda y en negrita.
Encabezados de Tercer Nivel: Usa tipo de 10 puntos, alineados a la izquierda y en negrita.
Citaciones y Referencias
- Usa estilos de citación consistentes a lo largo de tu paper. Está disponible el paquete natbib para enlazar citas.
- Al citar tu trabajo previo, usa la tercera persona.
- Las notas al pie deben ser mínimas; si se usan, márcalas con un número en el texto y colócalas al final de la página.
Pautas para Figuras y Tablas
Figuras: Las figuras deben ser claras y legibles. Coloca un espacio de línea antes y después del pie de figura. El número de figura y el pie deben ir después de la figura.
Tablas: Las tablas deben estar centradas, ordenadas y legibles. Coloca un espacio de línea antes del título de la tabla, y un espacio de línea después de ella. Evita las reglas verticales en las tablas para una apariencia más limpia.
Pautas de Presentación
- Solo envía archivos preparados según los archivos de estilo de NeurIPS disponibles en el sitio web de NeurIPS.
- Asegúrate de que tu paper no incluya información identificativa para mantener el anonimato durante el proceso de revisión.
Instrucciones para el Paper Final
- Para la versión final, asegúrate de que los nombres de todos los autores estén en negrita y centrados sobre sus direcciones asociadas.
- No cambies ningún aspecto de formato en los archivos de estilo, ya que esto puede llevar al rechazo de tu paper.
Apéndice y Material Suplementario
- Incluye opcionalmente material adicional en un apéndice si es necesario. Esta sección debe abordar pruebas detalladas o experimentos extra que complementen tu paper.
Lista de Verificación del Paper de NeurIPS
Esta lista de verificación está diseñada para asegurar que tu investigación cumpla con las mejores prácticas en transparencia y ética. Responde todas las preguntas y proporciona justificaciones donde sea necesario:
Reclamos y Contribuciones: Declara claramente los reclamos realizados y cómo están respaldados por tus resultados. ¿Se mencionan limitaciones?
Resultados Teóricos: Si aplica, incluye supuestos claramente establecidos y pruebas adecuadas.
Reproducibilidad: Describe cómo otros pueden replicar tus experimentos.
Acceso Abierto al Código y Datos: Si tienes código o datos, menciona cómo se puede acceder a ellos.
Recursos Computacionales: Indica el tipo de recursos utilizados durante los experimentos.
Impacto Más Amplio: Discute los posibles efectos positivos o negativos de tu investigación en la sociedad.
Conjuntos de Datos y Licencias: Cita correctamente los activos utilizados y especifica las licencias.
Investigación con Sujetos Humanos: Si aplica, menciona cualquier aprobación necesaria para la investigación que involucre a sujetos humanos.
Siguiendo estas pautas, contribuyes a mantener la integridad y calidad de la investigación presentada en NeurIPS 2024. Seguir estas instrucciones es crucial para asegurar que tu envío sea considerado para revisión y presentación en la conferencia.
Título: High Fidelity Text-Guided Music Editing via Single-Stage Flow Matching
Resumen: We introduce MelodyFlow, an efficient text-controllable high-fidelity music generation and editing model. It operates on continuous latent representations from a low frame rate 48 kHz stereo variational auto encoder codec. Based on a diffusion transformer architecture trained on a flow-matching objective the model can edit diverse high quality stereo samples of variable duration, with simple text descriptions. We adapt the ReNoise latent inversion method to flow matching and compare it with the original implementation and naive denoising diffusion implicit model (DDIM) inversion on a variety of music editing prompts. Our results indicate that our latent inversion outperforms both ReNoise and DDIM for zero-shot test-time text-guided editing on several objective metrics. Subjective evaluations exhibit a substantial improvement over previous state of the art for music editing. Code and model weights will be publicly made available. Samples are available at https://melodyflow.github.io.
Autores: Gael Le Lan, Bowen Shi, Zhaoheng Ni, Sidd Srinivasan, Anurag Kumar, Brian Ellis, David Kant, Varun Nagaraja, Ernie Chang, Wei-Ning Hsu, Yangyang Shi, Vikas Chandra
Última actualización: 2024-10-16 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2407.03648
Fuente PDF: https://arxiv.org/pdf/2407.03648
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.
Enlaces de referencia
- https://github.com/facebookresearch/audiocraft
- https://github.com/ivan-chai/torch-linear-assignment
- https://github.com/LAION-AI/CLAP
- https://melodyflow.github.io
- https://melodyflow.github.io/
- https://neurips.cc/Conferences/2024/PaperInformation/FundingDisclosure
- https://www.neurips.cc/
- https://mirrors.ctan.org/macros/latex/contrib/natbib/natnotes.pdf
- https://www.ctan.org/pkg/booktabs
- https://tex.stackexchange.com/questions/503/why-is-preferable-to
- https://tex.stackexchange.com/questions/40492/what-are-the-differences-between-align-equation-and-displaymath
- https://mirrors.ctan.org/macros/latex/required/graphics/grfguide.pdf
- https://nips.cc/public/guides/CodeSubmissionPolicy
- https://neurips.cc/public/EthicsGuidelines