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

会議論文の準備に関する基本ガイドライン

会議論文を書く時と提出する時のポイント。

― 1 分で読む


重要な論文提出ガイドライン重要な論文提出ガイドラインを最大化しよう。適切なステップでカンファレンスの受理確率
目次

会議論文の準備ガイドライン

会議用の論文を書く時は、提出が受理されて適切にレビューされるように特定のガイドラインに従うことが大事。ここでは、考慮すべき主なポイントをまとめたよ。

論文の長さ

提出物は最大で9ページまでにすること。この中には、本文、図、その他のコンテンツも含まれる。ただし、謝辞や参考文献のページはページ数制限にカウントされないから、追加してもOK。これを超える論文はレビューされないよ。

フォーマット

論文は特定のサイズに収めること。テキストエリアは幅5.5インチ、長さ9インチが目安。左側には1.5インチのマージンを残してね。フォントサイズは10ポイントで、行間は11ポイントが標準。全体にTimes New Romanフォントを使うのが推奨されてる。

タイトルと要約

タイトルは太字で中央に配置。フォントサイズは17ポイントの大きさで、上下に2本の線を引いて、その上の線は下の線より太くすること。タイトルの上下には十分なスペースを確保して見やすく。

要約は1段落で、特定の長さに制限される。両側をインデントしてフォーマットしてね。「要約」という言葉は太字で中央に配置し、段落の上に2行の空白を入れること。

著者情報

著者の名前と住所を含めること。主著者の名前を最初に、その後に共同著者の名前を続けて書く。名前は太字で住所の上に中央配置してね。共同著者が1人だけなら、主著者の隣に名前を書くこと。

引用と参考文献

論文中で出典を引用する時は、一貫性を持たせることが大事。著者/年式か数字スタイルのどちらかを選べるよ。すべての参考文献は一貫してフォーマットし、論文の最後に置く。参考文献セクションはページ制限にカウントされないよ。

以前の自分の研究への引用は、レビュー過程での匿名性を保つために三人称で書くこと。レビュー中または広くアクセスできない論文を引用する場合は、匿名性を確保するために仮の名前を使ってね。

図と表

図や表は整頓されて、明確にラベル付けされてなきゃダメ。各図には番号を付け、特定のフォーマットルールに従ったキャプションをつけること。キャプションは図の下に配置して、前後にスペースを残してね。

表の上にはタイトルを入れること。すべての表も整頓されてラベル付けされていること。表に縦線を使わないようにして、プロフェッショナルな仕上がりにするために高品質なフォーマットパッケージを考慮してね。

脚注

脚注は控えめに使い、テキスト内で示すこと。脚注は出現するページの一番下に置き、明確さのために横線を前に引いてね。脚注のフォーマットも正しくし、文末の句読点の後に配置して。

提出プロセス

論文を提出する時は、提供されたスタイルファイルを変更しないこと。これがフォーマットの問題につながるから。会議のウェブサイトにある最新のスタイルファイルを使ってね。提出時には、最終版やプレプリントのインジケーターなど、匿名性を損なう可能性のあるオプションは省いて。

PDFの準備

最終的な提出はPDFフォーマットにし、フォントの互換性を保証する特定のソフトウェアを使って作成して。PDFにはType 1または埋め込みTrueTypeフォントのみを含めること。レビュー時に問題が起こらないように、PDFで使用しているフォントが提出要件を満たしているか確認してね。

倫理と開示

自分の研究に関する倫理的な考慮をしっかり対処することが大事。もし人間を対象にした研究なら、必要な承認を得ているか確認して。参加者へのリスクについて話し、その同意がどのように得られたかを開示してね。

さらに、論文の最後に資金提供や競合利益について認めるセクションを入れること。このセクションは参考文献の直前に置き、初回の提出には含めないように。

提出チェックリスト

論文を提出する前に、以下のチェックリストを確認して、すべての要件を満たしているか確認してね:

  • 要約は論文の貢献を正確に反映してる?
  • 研究の制限について説明した?
  • 潜在的な社会的影響について話し合った?
  • 倫理レビューガイドラインに準拠してる?
  • 実験を行ったなら、必要な詳細とデータを含めた?
  • 引用と参考文献のフォーマットに従った?

これらのガイドラインを注意深く守ることで、論文が受理されてしっかりレビューされるチャンスを高められるよ。執筆プロセス全体で、明確で整理されたアプローチを維持して、リサーチを効果的に聴衆に伝えよう。

オリジナルソース

タイトル: How Curvature Enhance the Adaptation Power of Framelet GCNs

概要: Graph neural network (GNN) has been demonstrated powerful in modeling graph-structured data. However, despite many successful cases of applying GNNs to various graph classification and prediction tasks, whether the graph geometrical information has been fully exploited to enhance the learning performance of GNNs is not yet well understood. This paper introduces a new approach to enhance GNN by discrete graph Ricci curvature. Specifically, the graph Ricci curvature defined on the edges of a graph measures how difficult the information transits on one edge from one node to another based on their neighborhoods. Motivated by the geometric analogy of Ricci curvature in the graph setting, we prove that by inserting the curvature information with different carefully designed transformation function $\zeta$, several known computational issues in GNN such as over-smoothing can be alleviated in our proposed model. Furthermore, we verified that edges with very positive Ricci curvature (i.e., $\kappa_{i,j} \approx 1$) are preferred to be dropped to enhance model's adaption to heterophily graph and one curvature based graph edge drop algorithm is proposed. Comprehensive experiments show that our curvature-based GNN model outperforms the state-of-the-art baselines in both homophily and heterophily graph datasets, indicating the effectiveness of involving graph geometric information in GNNs.

著者: Dai Shi, Yi Guo, Zhiqi Shao, Junbin Gao

最終更新: 2023-07-19 00:00:00

言語: English

ソースURL: https://arxiv.org/abs/2307.09768

ソースPDF: https://arxiv.org/pdf/2307.09768

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