CCF C类会议:PAKDD叶老师和闵老师意见反馈
文章目录
- 引入
- 第一次
- 第二次
- 第三次
- 闵老师
引入
对叶老师三次审稿意见和闵老师一次意见的总结。
第一次
意见1:题目首字母大写
思考:这个主要和目标期刊相关联,包括章节小标题等
意见2:题目Multi-instance embedding learning with neural network太平
思考:已有的题目按照研究方向、主方法、负方法进行书写。
缺点:神经网络太过于宽泛,不能体现创新点
修改:Attention-to-Embedding: A Framework for High-Dimensional Multi-Instance Learning
说明:Attention表明使用的网络类型,embedding表明使用的另一种方法,framework与前面的限定词搭配,high-dimensional表示应用场景、multi-instance learning表明主方向。
意见3:摘要中,待解决的问题不清晰,未能体现算法的优点。
思考:已有的写作思路为背景–>转折–>本文–>实验,的确没有体现算法的优点
修改:
说明:当前摘要直接指出我们提出的算法,通过从句的方式来指明研究对象。接下来按照问题–>思路–>解决–>实验–>额外优势进行展开
意见4:"In contrast to traditional single-instance learning (SIL), MIL works with a set of labeled bags. A bag corresponds to a sample containing a variable number of unlabeled instances."未描述清楚
修改:In contrast to traditional single-instance learning (SIL), each object in MIL is a bag containing various numbers of instances. A label is assigned to the bag, but not to the individual instances
说明:没有改变总体的含义,而进行更准确地描述
意见5:部分句子是类似于以下结构,“Applying clustering techniques to handle”,应当避免
思考:这种主要是通过调整句子结构来避免
意见6:引入中的相关方法描述里出现了变量
思考:在引入中,能用文字描述就用文字;而在方法的说明中,则多用符号、数学表达之类
意见7:引言的逻辑问题,建议修改为问题定义、MIL方法整体介绍等
思考:引言的逻辑应当与摘要匹配,采用类似于层层递进、由远及近的写作方法
修改:修改后的引言为问题背景–>相关方法–>本文动机–>本文方法–>贡献–>实验
意见8:引入部分对神经网络的介绍过于细节,这些将淹没本文的动机
思考:这一点说明的是,对于已有的方法,点到为止即可,主要是引入自己的工作,着重于自己的东西的介绍。
意见9:引入中介绍自己方法时出现了文献引用,将降低自己的创新型
思考:这个以后都需要额外注意。
意见10:缺乏一个方法的总体流程。
说明:已在引入部分添加了总体流程图,和在算法部分的预备知识部分使用一句话来描述自己的方法,即:“Our goal is to transform the MIL high-dimensional tasks into SIL low-dimensional ones by connecting the attentionnet with the bag-level embedding”
意见11:算法部分,所提出的注意力网络没有描述清楚
思考:目前的介绍中,主要是说我们提出了一个网络–>网络包含了两个部分–>网络的输入输出–>优势。感觉还行,哈哈哈,不过后面把网络相关的图移到了引入部分的大图中,关于网络的描述便转换为了公式说明
意见12:仔细检查符号“||”
思考:对于一些不常用的符号,需要考虑它的出处,自创的符号需要谨慎
第二次
意见1:注意引言和相关工作的写作差异。
思考:这个需要平时多积累了。
意见2:没有讲清楚动机。
思考:目前的写作方式是把动机和自己的方法弄在一起了,依然有少量的符号描述。且描述的时候主要也是说明的怎么做,关于为什么描述得较少。
修改:
说明:修改后,第一段着重于介绍背景、已有方法的不足。第二段则说明我们的方法,以及如果对问题进行解决。
意见3:一般的创新点最好能一句话叙述加补充说明,且贡献第二点不太合适。
思考:目前第一个贡献的描述过长,让人抓不住动机。第二个贡献严格上不算贡献,应注意贡献是自己特有的。
修改:
说明:修改后着重于两个方面进行说明:1)我们的方法策略,其优势为不受神经网络参数初始化的影响;2)设计了一个不依赖于池化函数的网络和距离函数的嵌入函数。
第三次
意见1:花大篇幅介绍别人方法的目的?
思考:自始至终都应该着重自己的工作,别人只是为了补充说明、对比之类的。
闵老师
- Multi-instance learning (MIL) was formally proposed in the investigation of drug activity prediction
批注:为什么是“formally”? 这个表示“正式”,很怪异。我觉得你要表示起源,就是“最初”的意思吧?
修改:Multi-instance learning (ML) was originally designed for drug activity prediction - the training object is a bag containing various numbers of instances
批注:并非只有训练对象才是包吧?测试的难道不是?
修改:each object is a bag containing various numbers of instances
思考: - Furthermore, MIL is frequently utilized in a variety of applications
批注:去掉 Furthermore, 这里并没有什么递进关系。从逻辑上讲,这里其实是与起源相对应,说不仅仅是 drug prediction, 因此要想另外的连接词。
修改To date, MIL has also been frequently utilized in a variety of applications - following solutions: a) Instance-based approaches rely on two assumptions
批注:然后呢?它是怎么做的?这和后面的句子对仗不起来呀。
修改:Instance-based approaches calculate the bag label by predicting the instance label and combining MIL assumptions - For neural network-based MIL, it can be categorized into two types
批注:不要那么绕
修改:Neural network-based MIL can be categorized into two types
思考:A怎样就行,而不是对于A,它怎样。 - convex max operator (or max operator). and b)
批注:符号不对要罚款
修改:convex max operator (or max operator); and b)
思考:细节问题格外需要注意。 - However, the majority of these methods lack research or perform poorly on MIL high-dimensional data sets.
批注:lack research 太口语化了
修改:However, most of these methods perform poorly on MIL high-dimensional datasets because they are not designed for this situation. - Zhang and Zhou (2004) directly apply
批注:时态
修改Zhang and Zhou (2004) directly applied - Furthermore, although the attention and loss-attention neural networks can learn the low-representation and predict the label of the bag, while the outcomes of successive experiments may be substantially different due to the random setting of the parameter initialization.
批注:太长了!用了 although, 就不需要用 while。还是分成两句吧。
修改:The attention and loss-attention neural networks can learn the low-representation and predict the label of the bag.
However, the outcomes of successive experiments may be substantially different due to the random setting of the parameter initialization.
思考:平时需要注意不要写太长的句子。 - To handle MIL high-dimensional tasks and alleviate this issue,
批注:你这里的 this issue 指代啥?如果是高维的话,就与前半句重了
修改:To alleviate these difficulties in MIL high-dimensional tasks, - The overall framework is shown in Figure 1.
批注:写得堂堂正正嘛!
修改:Figure 1 shows the overall framework.
思考:自己强的地方就直言不讳哈哈哈 - The first portion is an example image
批注:你从哪里找的 portition? example 要换成 exemplary 或者 sample
修改:The first part is a sample image
思考:不需要为了花里胡哨强行装逼 - However, very little attention is paid to MIL’s attention mechanisms.
批注:不要用 very 这种主观词;两个 attention 稍有冲突,它们表示不同的意思。想办法换个。
修改:However, few studies have focused on the attention mechanism of MIL.
CCF C类会议:PAKDD叶老师和闵老师意见反馈相关推荐
- ccf a类会议_信息安全相关学术会议列表
信息安全领域的最新学术研究成果一般是在顶级会议上发表.这里仅列举了偏向工程方面的安全会议,包括部分没有CCF排名的会议,其中CCS.NDSS.Oakland S&P.USENIX Securi ...
- ccf a类会议_ISCA#39;21截稿在即,阿里或成为国内在该会议上的最大赢家!
ISCA,全称International Symposium on Computer Architecture,体系结构领域的顶级会议,由ACM SIGARCH(计算机系统结构特殊兴趣组)和IEEE ...
- a类论文 计算机视觉,高瓴人工智能学院师生5篇论文被CCF A类会议CVPR录用
3月1日,中国计算机学会(CCF)推荐的A类国际学术会议CVPR 2021论文接收结果公布.中国人民大学高瓴人工智能学院师生有5篇论文被录用.国际计算机视觉与模式识别会议(Conference on ...
- CCF A类会议或期刊----多视图聚类近两年论文
工具代码位置 期待您的PR 会议/期刊 论文 kdd2021 A Novel Multi-View Clustering Method for Unknown Mapping Relationship ...
- 软件工程领域CCF B类会议:SANER介绍(以SANER 2019为例)
文章目录 前言 1 基本信息(包括对其7个track的介绍) 1)Research Track 2)ERA Track 3)Industrial Track 4)Tool Demo Track 5)R ...
- CCF A类会议或期刊----多视图,多模态近两年论文
工具代码位置 期待您的PR 多模态多视图交流QQ群:927952513 会议/期刊 论文 neurips2020 Removing Bias in Multi-modal Classifiers: R ...
- 2023计算机CCF A类会议期刊截稿日期
排名 会议/期刊名 截稿日期 1 [CVPR] IEEE Conference on Computer Vision and Pattern Recognition 2022.11.11 2 [Neu ...
- CCF A类会议或期刊----回归相关论文
工具代码位置 期待您的PR 会议/期刊 论文 sigmod2020 PrIU: A Provenance-Based Approach for Incrementally Updating Regre ...
- dbscan论文_重点关注!我校论文被CCF A类人工智能国际顶级学术会议IJCAI录用
4月20日,CCF A类人工智能国际顶级学术会议International Joint Conference on Artificial Intelligence (IJCAI 2020)发来通知,我 ...
最新文章
- TVM 优化 ARM GPU 上的移动深度学习
- 谈点正经的:Papi酱能火,如果你现在学她却未必能火起来
- SpringBoot2.x 官方推荐缓存框架-Caffeine高性能设计剖析
- 【C++】智能指针简述(五):解决循环引用的weak_ptr
- jwt token注销_辩证的眼光搞懂 JWT 这个知识点
- 系统消息发现有新的未读消息弹框提示
- springboot整合elasticsearch_Spring Boot学习10_整合Elasticsearch
- Linux笔记-Centos7编译安装GmSSL
- Cocos creator之javascript闭包
- Yii源码解读 - 事件
- 荣世达二代机器人_荣事达人工智能机器人到底有多帅?
- 安卓仿苹果键盘输入法_仿ios输入法
- Springboot实现QQ授权登录
- 【V-REP自学笔记(六)】基于V-REP逆运动学模块的机械臂轨迹规划
- windows xp系统本地连接提示受限制或无连接怎么办
- 2022-2027年中国环保领域集团级sis系统行业市场调研及未来发展趋势预测报告
- nginx ajax 错误500,聊聊nginx报错499问题
- 大数据学习——spark笔记
- macos 切换用户_如何在macOS上使用TouchID即时切换用户
- GCS_SERVER_PROCESSES