Guide essentiel pour la publication ACM
Un guide simple pour utiliser le modèle d'article ACM efficacement.
― 6 min lire
Table des matières
- Qu'est-ce que le modèle ACM ?
- Commencer avec le modèle
- Choisir le style de ton modèle
- Paramètres du modèle : Personnaliser ton document
- Titres et auteurs
- Droits et responsabilités
- Classer ton travail
- Organiser ton document
- Tables et figures
- Écriture des équations mathématiques
- Citations et références
- Remerciements
- Ajouter une annexe
- Modèles spéciaux pour les résumés étendus
- Conclusion
- Source originale
- Liens de référence
Bienvenue dans le monde de la publication ACM ! Si tu mets les pieds ici pour la première fois ou que tu es déjà venu et que tu as juste besoin d'un petit coup de pouce, ce guide t'aidera à comprendre le modèle d'article ACM. C'est comme une carte qui te montre où aller sans te perdre.
Qu'est-ce que le modèle ACM ?
Le modèle ACM est un ensemble de règles et de styles spéciaux qui aide tout le monde à publier ses recherches de manière uniforme. Pense à ça comme la tenue que tu mets pour un événement important ; tout le monde a l'air sérieux et ça fait bonne impression. Ce modèle couvre tout, de l'écriture de ton titre à la mise en forme de tes Références, pour que ton travail ait l'air professionnel et soit facile à lire.
Commencer avec le modèle
Quand tu commences à écrire, tu vas utiliser la classe de document “acmart”. C'est ton outil principal pour créer des documents destinés aux publications ACM. Tu peux utiliser cette classe de document pour différents types de contenu, que tu soumettes un article technique complet, que tu écrives un résumé ou que tu prépares un article de revue.
Choisir le style de ton modèle
La première chose à faire est de choisir un style de modèle. C'est comme sélectionner la bonne recette selon le plat que tu veux servir. Différents styles existent pour différents types de publications :
Pour les revues :
acmsmall
: Le style standard pour la plupart des revues.acmlarge
: Utilisé par des revues spécifiques.acmtog
: Un autre style de revues spécialisées.
Pour les conférences :
acmconf
: Le style à suivre pour la plupart des articles de conférence.sigchi
: Pour les papiers de conférence SIGCHI.sigplan
: Pour les conférences SIGPLAN.
Choisis le bon style pour être sûr d'être sur la bonne voie.
Paramètres du modèle : Personnaliser ton document
En plus de choisir un style, tu peux définir des paramètres pour changer quelques aspects de l'apparence de ton document. Mais ne te laisse pas trop emporter, ACM aime que leur mise en forme soit bien faite ! Voici quelques paramètres courants :
anonymous,review
: Garde ton identité cachée pendant le processus de révision.authorversion
: Idéal pour partager ta propre version en ligne.screen
: Ajoute des hyperliens colorés à ton texte.
N'oublie pas, ACM a des règles strictes contre la modification de certaines choses comme les marges et les polices. Reste dans les limites, et ton document passera sans souci.
Titres et auteurs
Pour ton titre, assure-toi de le capitaliser correctement. Ce n'est pas juste pour avoir l'air classe ; ça aide tes lecteurs à voir direct de quoi parle ton travail. Si ton titre est trop long, tu devras trouver une version plus courte pour les en-têtes.
Quand tu listes les auteurs, écris les noms complets. Ce n’est pas le moment pour les surnoms ou les initiales - tout le monde doit briller ! Et n’oublie pas d’inclure les adresses email pour que les lecteurs puissent te contacter pour plus d'infos.
Droits et responsabilités
Chaque fois que tu publies avec ACM, tu devras remplir un formulaire de droits. Ce n'est pas juste du remplissage ; c'est pour clarifier quels droits tu gardes et quels droits tu donnes à ACM. Tes choix peuvent inclure le transfert de droit d'auteur ou des options d'accès ouvert. Une fois rempli, tu recevras une copie avec des commandes importantes à inclure dans ton document.
Classer ton travail
Pour aider les gens à trouver ton travail facilement, tu dois le catégoriser en utilisant le Système de Classification de l'Informatique ACM. C'est comme ajouter des étiquettes à un post sur les réseaux sociaux - ça aide ceux qui s'intéressent à ton sujet à découvrir ton article ! Tu peux aussi inclure tes propres mots-clés qui décrivent ta recherche.
Organiser ton document
Ton article doit suivre une structure claire avec des sections et des sous-sections. Assure-toi de numéroter ces sections. Ne sois pas tenté d'utiliser le gras ou l'italique juste pour faire semblant d'être un en-tête ; utilise les commandes appropriées à la place. La consistance, c’est la clé !
Tables et figures
Si tu as des tables ou des figures, elles doivent être claires et bien formatées. Place les légendes des tables au-dessus, et pour les figures, place les légendes en dessous. Ajoute toujours des descriptions de figure pour l'accessibilité. Ça garantit que tout le monde sait de quoi parlent tes visuels - surtout ceux qui ne peuvent pas les voir.
Écriture des équations mathématiques
Si ton travail inclut des mathématiques, tu peux inclure des équations dans différents styles. Par exemple, les équations en ligne s'intègrent naturellement dans ton texte, tandis que les équations affichées sont à part et centrées. Assure-toi juste qu'elles sont faciles à lire et bien formatées.
Citations et références
Quand tu fais référence au travail des autres, fais-le avec soin. Utilise BibTeX, qui t'aide à gérer et à formater tes références proprement. N'oublie pas d'inclure des noms complets et des informations détaillées sur les sources pour que les lecteurs puissent facilement suivre s'ils le souhaitent.
Remerciements
N'oublie pas d'exprimer ta gratitude ! Mentionne toute personne ou groupe qui t'a aidé dans ta recherche. Cette section doit être placée avant tes références. Utilise l'environnement spécial “acks” pour que tes remerciements soient bien formatés.
Ajouter une annexe
Si tu as du matériel supplémentaire qui soutient ton travail mais qui ne s'intègre pas bien dans le texte principal, tu peux ajouter une annexe. Souviens-toi juste de la labelliser, et utilise des lettres pour le numérotage des sections au lieu de chiffres normaux.
Modèles spéciaux pour les résumés étendus
Si tu soumets un résumé étendu SIGCHI, il y a des modèles spécifiques qui permettent un formatage unique. Tu peux inclure des éléments dans les marges et ajouter des barres latérales pour faire ressortir encore plus ton travail.
Conclusion
Suivre le modèle d'article ACM aide à garantir que ton travail est facilement lisible et compréhensible. Pense à ça comme à ton guide de confiance à travers le processus parfois compliqué de la publication académique. Respecte les règles, garde tout organisé, et tu seras bien parti pour faire une bonne impression avec ta recherche. Bonne écriture !
Titre: Learning from Limited and Imperfect Data
Résumé: 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.
Auteurs: Harsh Rangwani
Dernière mise à jour: 2024-11-11 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2411.07229
Source PDF: https://arxiv.org/pdf/2411.07229
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.