O Guia Essencial para Escrever um Artigo para NeurIPS
Siga essas dicas importantes pra escrever e enviar seu artigo pro NeurIPS com sucesso.
Sam Griesemer, Defu Cao, Zijun Cui, Carolina Osorio, Yan Liu
― 6 min ler
Índice
- Afirmações e Contribuições: O Que Você Tá Trazendo?
- Estrutura Teórica: Teoremas Numerados São Seus Amigos
- Reprodutibilidade dos Experimentos: Sua Pesquisa Pode Ser Duplicada?
- Acesso Aberto: Compartilhe o Conhecimento
- Experimentando com Detalhes: Não Segure a Barra!
- Recursos Computacionais: Quanta Força Você Precisou?
- Código de Ética: Mantenha Limpo
- Impactos Mais Amplos: Como Seu Trabalho Afeta o Mundo?
- Conjuntos de Dados e Novos Ativos: Vamos Falar Sobre as Coisas Boas
- Considerações Finais: Vamos Tornar a Ciência Divertida!
- Fonte original
- Ligações de referência
Escrever um artigo científico pode parecer como se preparar para uma grande prova. Você quer garantir que checa todas as caixas, pra não levar uma nota baixa, especialmente quando seus colegas que estão te avaliando. A conferência NeurIPS tem um conjunto de diretrizes que os autores devem seguir pra garantir que o trabalho deles não seja só bom, mas também claro e responsável. Essas diretrizes são como uma lista de tarefas pra estudantes no primeiro dia de aula: leia, escreva e não esqueça o lanche!
Afirmações e Contribuições: O Que Você Tá Trazendo?
Quando você escrever seu artigo, comece forte. Declare claramente qual é o ponto principal do seu trabalho. Pense nisso como seu pitch de elevador—curto, doce e direto ao ponto. Você precisa deixar claro o que tá contribuindo, quaisquer suposições que fez e quaisquer limites da sua pesquisa. Se você disser que tá criando um novo supermodelo pra prever o tempo, então prove com dados reais!
Não se preocupe em mirar nas estrelas. É legal mencionar objetivos ambiciosos, desde que você seja honesto sobre o que realmente conquistou. Se o seu artigo não tem limitações, diga “NA”, mas se tiver, tenha coragem de discutir elas. Afinal, fingir que não tem obstáculos no caminho pode fazer seu artigo parecer suspeito, como um mágico escondendo um coelho atrás das costas.
Estrutura Teórica: Teoremas Numerados São Seus Amigos
Toda argumentação ou afirmação que você fizer deve ser respaldada por uma teoria sólida. Numere seus teoremas e fórmulas pra ninguém se perder, como um guia amigável em um museu. Assim, se alguém quiser referenciar um teorema específico, pode encontrá-lo sem um mapa do tesouro. Certifique-se de declarar claramente quaisquer suposições que você tem em seus teoremas pra evitar confusão.
Se você fornecer alguma prova informal na parte principal do seu artigo, inclua uma prova mais formal no apêndice. É como dar aos seus leitores uma história curta e um romance; alguns vão gostar da leitura rápida, enquanto outros querem a épica completa.
Reprodutibilidade dos Experimentos: Sua Pesquisa Pode Ser Duplicada?
Que adianta um truque de mágica se ninguém mais consegue descobrir como é feito? No mundo da pesquisa, reprodutibilidade é tudo. Se você conduzir experimentos, certifique-se de fornecer todos os detalhes necessários pra que outros possam replicar seu trabalho. Mesmo que você não inclua dados ou código, dê instruções claras de como atingir resultados similares.
Por mais tentador que possa ser guardar seus segredos, transparência é essencial. Pense nisso como compartilhar sua receita de biscoito: você quer que seus amigos também desfrutem desses biscoitos!
Acesso Aberto: Compartilhe o Conhecimento
Embora você possa evitar compartilhar seu código e dados se não estiverem diretamente relacionados ao seu trabalho, fornecer acesso é uma boa ideia. Quanto mais, melhor, né? Se puder, dê instruções claras de como acessar seus dados, além de como prepará-los. Se você criou um conjunto de dados lindo, compartilhe como se fosse sua receita de família preciada.
E lembre-se, se você tá incluindo dados da web, certifique-se de indicar a fonte. Todos nós amamos uma boa citação, especialmente quando vem com uma licença pra que todo mundo saiba como usar. Compartilhar é cuidar!
Experimentando com Detalhes: Não Segure a Barra!
Quando você compartilhar seus resultados experimentais, inclua detalhes suficientes pra que até sua avó entenderia. Explique suas configurações experimentais e qualquer significância estatística que encontrou. É como contar uma boa história; você tem que criar o cenário e revelar o resultado.
Ao compartilhar barras de erro ou intervalos de confiança, deixe claro como você calculou isso. E se você jogar termos estatísticos complicados, certifique-se de defini-los. Seus leitores vão te agradecer.
Recursos Computacionais: Quanta Força Você Precisou?
Vamos encarar os fatos: todo grande estudo requer um poder de computação sério. Não esconda os detalhes! Deixe seu público saber que tipo de máquinas você usou, se foram CPUs ou GPUs, e quanta força você precisou pra cada execução experimental. Transparência é importante, especialmente quando alguém pode querer refazer seu trabalho.
Além disso, se você teve algumas tentativas que não entraram no artigo, revele isso também. Ninguém gosta de ser ignorado, especialmente quando estão tentando entender o quadro completo.
Código de Ética: Mantenha Limpo
Num mundo onde a ética nunca deve ficar de lado, certifique-se de seguir o Código de Ética da NeurIPS. Se você tiver razões pra desviar do padrão, explique. Pense nisso como agitar uma bandeira quando você tá em águas um pouco turvas.
Se seu estudo envolveu seres humanos ou trabalhadores de crowdsourcing, certifique-se de que eles sejam tratados bem. Pagar eles de forma justa é fundamental—e se isso significa que você tem que esticar seu orçamento um pouco, que seja!
Impactos Mais Amplos: Como Seu Trabalho Afeta o Mundo?
Pergunte a si mesmo: qual efeito minha pesquisa tem na sociedade? Se seu trabalho poderia potencialmente causar dano, como gerar notícias falsas ou comprometer a privacidade, seja honesto sobre isso. É como perceber que sua invenção pode acabar sendo usada como uma arma; é melhor reconhecer os riscos.
Se você identificar esses riscos, considere sugerir maneiras de mitigá-los. Você poderia até se tornar o herói implementando salvaguardas para seus modelos ou conjuntos de dados. É melhor prevenir do que remediar!
Conjuntos de Dados e Novos Ativos: Vamos Falar Sobre as Coisas Boas
Se você tá usando conjuntos de dados existentes, sempre dê crédito às fontes originais. Inclua a versão usada e quaisquer licenças aplicáveis, assim como você faria ao pegar um livro emprestado na biblioteca. Se você tá criando um novo conjunto de dados, conte às pessoas como foi obtido e se o consentimento foi dado. Ninguém gosta de surpresas!
Quando se trata de novos ativos, como modelos ou código, compartilhe os detalhes através de templates estruturados. Sim, pode parecer tedioso, mas clareza é fundamental.
Considerações Finais: Vamos Tornar a Ciência Divertida!
Resumindo, se você quer submeter um artigo ao NeurIPS, mantenha claro, honesto e acessível. Faça suas afirmações ousadas, mas respaldadas por evidências sólidas. Compartilhe seu trabalho pra que outros possam aproveitar os frutos do seu trabalho. E não esqueça, a ética importa; você quer ser lembrado como o pesquisador que jogou limpo!
Agora, vá em frente e escreva, e lembre-se: ciência não é só sobre números, fórmulas e texto seco. É sobre curiosidade, descoberta e—ousamos dizer—diversão!
Fonte original
Título: Active Sequential Posterior Estimation for Sample-Efficient Simulation-Based Inference
Resumo: Computer simulations have long presented the exciting possibility of scientific insight into complex real-world processes. Despite the power of modern computing, however, it remains challenging to systematically perform inference under simulation models. This has led to the rise of simulation-based inference (SBI), a class of machine learning-enabled techniques for approaching inverse problems with stochastic simulators. Many such methods, however, require large numbers of simulation samples and face difficulty scaling to high-dimensional settings, often making inference prohibitive under resource-intensive simulators. To mitigate these drawbacks, we introduce active sequential neural posterior estimation (ASNPE). ASNPE brings an active learning scheme into the inference loop to estimate the utility of simulation parameter candidates to the underlying probabilistic model. The proposed acquisition scheme is easily integrated into existing posterior estimation pipelines, allowing for improved sample efficiency with low computational overhead. We further demonstrate the effectiveness of the proposed method in the travel demand calibration setting, a high-dimensional inverse problem commonly requiring computationally expensive traffic simulators. Our method outperforms well-tuned benchmarks and state-of-the-art posterior estimation methods on a large-scale real-world traffic network, as well as demonstrates a performance advantage over non-active counterparts on a suite of SBI benchmark environments.
Autores: Sam Griesemer, Defu Cao, Zijun Cui, Carolina Osorio, Yan Liu
Última atualização: 2024-12-07 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2412.05590
Fonte PDF: https://arxiv.org/pdf/2412.05590
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.