Guida Essenziale alla Pubblicazione ACM
Una guida semplice per usare bene il template degli articoli ACM.
― 5 leggere min
Indice
- Cos'è il Template ACM?
- Incominciare con il Template
- Scegliere lo Stile del Template
- Parametri del Template: Modificare il Tuo Documento
- Titoli e Autori
- Diritti e Responsabilità
- Classificare il Tuo Lavoro
- Organizzare il Tuo Documento
- Tabelle e Figure
- Scrivere Equazioni Matematiche
- Citazioni e Riferimenti
- Ringraziamenti
- Aggiungere un’Appendice
- Template Speciali per Abstract Estesi
- Conclusione
- Fonte originale
- Link di riferimento
Benvenuto nel mondo delle pubblicazioni ACM! Se stai mettendo piede qui per la prima volta, o se sei già stato qui e hai solo bisogno di un veloce ripasso, questa guida ti aiuterà a orientarti nel template degli articoli ACM. È come una mappa fidata che ti indica la strada senza percorsi confusi.
Cos'è il Template ACM?
Il template ACM è un insieme speciale di regole e stili che aiuta tutti a pubblicare le loro ricerche in modo uniforme. Pensalo come l'outfit che indossi quando vai a un evento importante; tutti sembrano in gamba e fa una buona impressione. Questo template copre tutto, da come scrivere il titolo a come formattare le tue referenze, assicurando che il tuo lavoro sembri professionale e sia facile da leggere.
Incominciare con il Template
Quando cominci a scrivere, userai la classe di documento “acmart”. Questo è il tuo strumento principale per creare documenti destinati alle pubblicazioni ACM. Puoi usare questa classe per vari tipi di contenuti-che tu stia inviando un paper tecnico completo, scrivendo un abstract, o preparando un articolo per una rivista.
Scegliere lo Stile del Template
La prima cosa che devi fare è selezionare uno stile del template. È come scegliere la ricetta giusta in base al piatto che vuoi servire. Esistono stili diversi per diversi tipi di pubblicazioni:
Per Riviste:
acmsmall
: Lo stile standard per la maggior parte delle riviste.acmlarge
: Usato da riviste specifiche.acmtog
: Un altro stile di rivista specializzata.
Per Conferenze:
acmconf
: Lo stile più usato per i paper di conferenza.sigchi
: Per i paper della conferenza SIGCHI.sigplan
: Per le conferenze SIGPLAN.
Scegli lo stile corretto per assicurarti di essere sulla strada giusta.
Parametri del Template: Modificare il Tuo Documento
Oltre a scegliere uno stile, ci sono parametri che puoi impostare per cambiare alcune cose su come appare il tuo documento. Ma non esagerare-l’ACM ama il loro formato giusto! Ecco alcuni parametri comuni:
anonymous,review
: Mantiene la tua identità nascosta durante il processo di revisione.authorversion
: Ottimo per condividere la tua versione online.screen
: Aggiunge collegamenti ipertestuali colorati al tuo testo.
Ricorda, l’ACM ha alcune regole severe contro la modifica di alcune cose come margini e caratteri. Segui le linee guida e il tuo documento passerà senza problemi.
Titoli e Autori
Quando si tratta del tuo titolo, assicurati di scriverlo con le maiuscole giuste. Non si tratta solo di apparire eleganti; aiuta i tuoi lettori a vedere subito di cosa parla il tuo lavoro. Se il tuo titolo è troppo lungo, dovrai trovare una versione più corta per le intestazioni.
Quando elenchi gli autori, scrivi i nomi completi. Non è il posto per soprannomi o iniziali-ognuno deve brillare! Inoltre, non dimenticare di includere gli indirizzi email così i lettori possono contattarti per ulteriori informazioni.
Diritti e Responsabilità
Ogni volta che pubblichi con l’ACM, dovrai compilare un modulo sui diritti. Non si tratta solo di lavoro inutile; serve a chiarire quali diritti mantieni e quali diritti dai all’ACM. Le tue scelte possono includere il trasferimento di copyright o opzioni di accesso aperto. Dopo averlo compilato, riceverai una copia, che include comandi importanti da inserire nel tuo documento.
Classificare il Tuo Lavoro
Per aiutare le persone a trovare facilmente il tuo lavoro, devi categorizarlo usando il Sistema di Classificazione Informatica ACM. È come aggiungere tag a un post sui social media-aiuta le persone interessate al tuo argomento a scoprire il tuo articolo! Puoi anche includere le tue parole chiave che descrivono la tua ricerca.
Organizzare il Tuo Documento
Il tuo paper dovrebbe seguire una struttura chiara con sezioni e sottosezioni. Assicurati di numerare queste sezioni. Non essere tentato di usare grassetto o corsivo solo per sembrare un’intestazione di sezione; usa i comandi appropriati invece. La coerenza è la chiave!
Tabelle e Figure
Se hai tabelle o figure, devono essere chiare e ben formattate. Colloca le didascalie delle tabelle sopra la tabella, e per le figure, colloca le didascalie sotto. Aggiungi sempre descrizioni delle figure per l’accessibilità. Questo assicura che tutti sappiano di cosa parlano le tue immagini-specialmente quelli che non possono vederle.
Scrivere Equazioni Matematiche
Se il tuo lavoro include matematica, puoi inserire equazioni in stili diversi. Ad esempio, le equazioni inline si adattano naturalmente nel tuo testo, mentre le equazioni display stanno da sole e sono centrate. Assicurati solo che siano facili da leggere e ben formattate.
Riferimenti
Citazioni eQuando fai riferimento al lavoro di altri, fallo con attenzione. Usa BibTeX, che ti aiuta a gestire e formattare i tuoi riferimenti ordinatamente. Ricordati di includere nomi completi e informazioni dettagliate sulle fonti così i lettori possono facilmente seguirle se lo desiderano.
Ringraziamenti
Non dimenticare di esprimere gratitudine! Menziona eventuali persone o gruppi che ti hanno aiutato con la tua ricerca. Questa sezione dovrebbe essere posizionata prima delle tue referenze. Usa l’ambiente speciale “acks” per assicurarti che i tuoi ringraziamenti siano formattati correttamente.
Aggiungere un’Appendice
Se hai materiale extra che supporta il tuo lavoro ma non si adatta bene nel testo principale, puoi aggiungere un’appendice. Ricordati solo di etichettarla, e usa lettere per la numerazione delle sezioni invece dei numeri normali.
Template Speciali per Abstract Estesi
Se stai inviando un Abstract Esteso SIGCHI, ci sono template specifici che permettono formattazioni uniche. Puoi includere cose nei margini e aggiungere sidebar per rendere il tuo lavoro ancora più originale.
Conclusione
Seguire il template degli articoli ACM aiuta a garantire che il tuo lavoro sia facilmente letto e compreso. Pensalo come la tua guida fidata attraverso il processo a volte complicato della pubblicazione accademica. Segui le regole, mantieni tutto organizzato e sarai sulla buona strada per fare una grande impressione con la tua ricerca. Buona scrittura!
Titolo: Learning from Limited and Imperfect Data
Estratto: 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.
Autori: Harsh Rangwani
Ultimo aggiornamento: 2024-11-11 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2411.07229
Fonte PDF: https://arxiv.org/pdf/2411.07229
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.