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# 人工知能# コンピュータビジョンとパターン認識

コンピュータサイエンスにおけるドキュメント準備の基本ガイド

コンピュータサイエンスのための、わかりやすく整理された出版用の文書の作り方を学ぼう。

― 0 分で読む


コンピュータサイエンスの文コンピュータサイエンスの文書準備ン。効果的な文書作成のための明確なガイドライ
目次

アイデアや研究を共有するためには、明確で整理された文書を作ることが重要だよ。このガイドでは、特にコンピュータサイエンスの分野での出版用文書の準備方法を紹介するね。

明確な文書の重要性

明確な文書は、読者が研究を簡単に理解できるようにするんだ。特に、会議で発表したり、ジャーナルに掲載する際には、これがさらに重要になるよ。よく構成された論文は、あなたの仕事がどう見られるかに大きな影響を与えることがあるからね。

文書フォーマットの種類

文書を準備するためのフォーマットはいろいろあるけど、出版の種類によって異なるんだ。一般的なものには、完全な技術論文、短い要約、または拡張要約があるよ。それぞれに従うべきガイドラインがあるんだ。

文書の共通要素

ほとんどの文書には、標準的な要素が含まれているよ。これには、タイトル、著者の名前、所属、そして要約が含まれるんだ。タイトルは論文の内容を正確に反映している必要があって、要約は簡単な概要を提供する役割を持っているよ。

タイトルの準備

タイトルを書くときは、大文字を正しく使うことが大事だよ。これでタイトルが明確でプロフェッショナルに見えるからね。もしタイトルが長い場合は、ヘッダー用に短いバージョンも用意するべきだね。

著者情報

各著者は個別にリストされて、適切なクレジットを与えられる必要があるよ。フルネームを使って、正確な識別ができるようにメールアドレスも含めることが重要だね。複数の著者が同じ所属の場合はそれを記載できるけど、各著者の名前は完全な形で書くべきだよ。

フォーマット用のテンプレートの使用

特定のテンプレートを使うことで、フォーマットのプロセスが簡単になるよ。テンプレートを使うことで、すべての文書が必要な基準を満たすことができるんだ。ジャーナルや会議の議事録用のテンプレートもあるよ。

セクションとサブセクション

コンテンツを整理するには、セクションコマンドを使うのが重要だよ。標準的なセクションには、イントロダクション、メソッド、結果、結論が含まれるんだ。それぞれのセクションは明確に番号を付けて、読者が情報の流れを追いやすくするべきだよ。

表と図

表や図を含めるときは、表の上にキャプションを、図の下に置くといいよ。これで読者が内容を一目で理解できるからね。また、視覚障害者のためにも、図の説明を加えることが必要だよ。

数学方程式の記述

文書に数学の方程式が含まれる場合、インラインで表示するか、別のセクションとして表示できるよ。インライン方程式はテキスト内に表示されて、ディスプレイ方程式はセンターに配置して強調されるんだ。

参考文献と引用

引用は学術的な執筆の重要な部分だよ。各参考文献には、タイトル、著者名、出版日などの完全な情報を含めるべきだね。参考文献リストを使うことで、この情報を明確に整理できるよ。

謝辞

仕事やサポートに貢献してくれた人たちに感謝するセクションを含めるのが慣例だよ。このセクションは参考文献リストの前に置いて、番号を付けないようにするんだ。

付録

追加情報が必要な場合は、付録を追加することを考えてね。このセクションには、主文書の一部ではない複雑なデータや説明を含めることができるよ。各付録は明確なタイトルで始めるべきだね。

多言語文書

複数の言語で執筆する場合は、メイン言語を明確に示して、タイトルと要約の翻訳を提供することが大事だよ。これで文書がより多くの人にアクセス可能になるからね。

最後の考え

これらのガイドラインに従うことで、読みやすく理解しやすい文書を作成するのが助けになるよ。研究を明確に提示することで、科学コミュニティ内でのエンゲージメントや認識が向上する可能性があるんだ。

オリジナルソース

タイトル: Towards Machine Learning and Inference for Resource-constrained MCUs

概要: Machine learning (ML) is moving towards edge devices. However, ML models with high computational demands and energy consumption pose challenges for ML inference in resource-constrained environments, such as the deep sea. To address these challenges, we propose a battery-free ML inference and model personalization pipeline for microcontroller units (MCUs). As an example, we performed fish image recognition in the ocean. We evaluated and compared the accuracy, runtime, power, and energy consumption of the model before and after optimization. The results demonstrate that, our pipeline can achieve 97.78% accuracy with 483.82 KB Flash, 70.32 KB RAM, 118 ms runtime, 4.83 mW power, and 0.57 mJ energy consumption on MCUs, reducing by 64.17%, 12.31%, 52.42%, 63.74%, and 82.67%, compared to the baseline. The results indicate the feasibility of battery-free ML inference on MCUs.

著者: Yushan Huang, Hamed Haddadi

最終更新: 2023-05-30 00:00:00

言語: English

ソースURL: https://arxiv.org/abs/2305.18954

ソースPDF: https://arxiv.org/pdf/2305.18954

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

ソフト物性ストレス下における非晶質固体のユニークな挙動

この記事では、無定形固体がストレスにどのように反応するかと、新しい研究から得られた洞察について探ります。

― 0 分で読む