Simple Science

最先端の科学をわかりやすく解説

# コンピューターサイエンス# 機械学習

AAAI論文提出のガイドライン

AAAIに論文を投稿するための基本ルール。

― 1 分で読む


AAAI提出ルールAAAI提出ルールAAAIにおける論文提出の主要なステップ
目次

AAAIに論文を提出するには、あなたの作品が出版されるための特定のルールに従う必要があるんだ。このガイドラインは、フォーマットからファイルタイプまで、すべてをカバーしてる。著者がこれらの要件を理解して遵守することが、レビューや出版プロセスの遅延を避けるために重要なんだ。

論文の準備

匿名提出

論文を匿名で提出する時は、著者の名前や所属を言わないようにね。代わりに「Anonymous Submission」を著者名として使うのがいいよ。PDFファイルのメタデータからも、識別情報を取り除くのが重要だね。これを忘れると、匿名性が損なわれちゃうかも。

論文のフォーマット

論文はAAAIのスタイルガイドラインに従ってフォーマットしなきゃいけないよ。これには、マージン、フォントサイズ、全体的な見た目が含まれる。目的は、すべての提出物が均一でプロフェッショナルに見えるようにすることなんだ。

ドキュメントタイプ

今のところ、論文のPDFバージョンだけが必要だよ。初回の提出時にソースファイルや著作権譲渡のフォームを送る必要はない。PDFファイルが標準のソフトウェアで正しくコンパイルできることを確認してね。AAAIはフォーマッティングの問題について技術サポートを提供しないから。

カメラレディガイドライン

論文が受理されたら、出版用の最終バージョンを準備するための追加の指示に従う必要があるよ。これらのガイドラインは初回の提出時と似ているけど、いくつかの重要な違いがあるよ。

ソースとPDFファイル

著者はソースファイルと準拠したPDFの両方を提出しなきゃいけないよ。ソースファイルはすべてのテキストを含む単一の.texファイルで、参考文献も含める必要がある。参考文献はAAAIが提供する指定されたスタイルファイルを使って正しくフォーマットしなきゃいけない。

埋め込みフォントとグラフィックス

PDFで使われるすべてのフォントは埋め込まれている必要があるよ、特に図の中ではね。著者はType 3フォントを使わないようにし、論文が指定されたページ制限やファイルサイズを超えないように気をつけて。

一般的なフォーマット要件

ページレイアウト

論文は2カラム形式で、USレターサイズの紙に印刷する必要があるよ。マージンは、提出物全体での一貫性を維持するために厳しいガイドラインに従わなきゃいけない。各カラムは、読みやすさを高めるために適切な幅にしないとね。

テキストフォーマット

論文の本体は10ポイントのTimes Romanフォントでフォーマットする必要があるよ。著者はテキストに色をつけたり、フォントサイズを変えたり、行間を変えたりしてはいけない。タイトルは太字にして、ガイドラインに従って適切にスタイルするべきだね。

見出しとセクション

見出しは内容を整理するのに役立ち、論文の主要なセクションを分けるんだ。著者はクリアな見出しを使うことが奨励されているけど、論文がアウトラインみたいに見えないようにすることが重要だよ。セクション番号はオプションで、使う場合は標準フォーマットに従うべきだね。

謝辞と著作権

謝辞は論文の最後、参考文献の前に置くべきだ。著者は、特定の資金提供やスポンサー情報を含める必要があるかもしれないことを理解しとくべきだね、これはスポンサー機関のガイドラインによるんだ。

参考文献

参考文献セクションは明確にラベル付けされ、一貫したフォーマットに従うべきだよ。著者はすべての引用が完全で、ガイドラインに従って正しいフォーマットスタイルを使っていることを確認しなきゃいけない。

文献の引用

本文中の引用は、著者の姓と出版年を含む必要があるよ。複数の著者がいる場合、フォーマットは少し変わるし、多くの著者がいる場合は最初の著者だけを挙げて「et al.」を続けるべきだね。

図と表

図と表は本文の中に含めるべきで、最後にまとめて提出するのはダメだよ。各は連続番号を付けて、キャプションもつける必要がある。適切な画像フォーマットを使い、グラフィックスは品質と解像度の基準に従うべきだね。

結論

AAAIの提出ガイドラインに従うことは、出版されたい著者にとって重要だよ。指定されたフォーマットルールに従い、初回提出時に匿名性を保つことで、著者はスムーズなレビュープロセスを助けられるんだ。これらのガイドラインを理解し従うことは、論文の出版だけでなく、研究コミュニティのプロフェッショナリズムも反映するんだ。

オリジナルソース

タイトル: Interpretable Decision Tree Search as a Markov Decision Process

概要: Finding an optimal decision tree for a supervised learning task is a challenging combinatorial problem to solve at scale. It was recently proposed to frame the problem as a Markov Decision Problem (MDP) and use deep reinforcement learning to tackle scaling. Unfortunately, these methods are not competitive with the current branch-and-bound state-of-the-art. We propose instead to scale the resolution of such MDPs using an information-theoretic tests generating function that heuristically, and dynamically for every state, limits the set of admissible test actions to a few good candidates. As a solver, we show empirically that our algorithm is at the very least competitive with branch-and-bound alternatives. As a machine learning tool, a key advantage of our approach is to solve for multiple complexity-performance trade-offs at virtually no additional cost. With such a set of solutions, a user can then select the tree that generalizes best and which has the interpretability level that best suits their needs, which no current branch-and-bound method allows.

著者: Hector Kohler, Riad Akrour, Philippe Preux

最終更新: 2024-06-13 00:00:00

言語: English

ソースURL: https://arxiv.org/abs/2309.12701

ソースPDF: https://arxiv.org/pdf/2309.12701

ライセンス: https://creativecommons.org/licenses/by/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。

著者たちからもっと読む

類似の記事