minfanphd的博客

根据实验观察，进行程序中问题的定位。

摘要: 论文要建二级甚至三级目录.

论文的一些细节问题。

论文细节问题

哪些实验可以对比数据类型都是结构化数据，真实数据算法类型2.1 基于图的算法热传导：有物理意义2.2 基于多视角的算法（我们的）不同视角用不同的基础算法（SVM, ANN, Random Forest）2.3 基于核函数2.4 流型（与基于图的算法类似，有很多的重叠）评价指标MSE, RMSER2成对 T-testFriedman test + 后验讨论: 哪些实验是可以对比的数据集一致，评价指标一致，且实验设置一致（k CV）都可以对比当某一类型算法总体比较弱的时候，可

综述不是复述不要只薅一头羊的羊毛描述数据、问题、方法，不要一来就是方法顶层的设计理念，到具体的方法what, why, how，不同的角度描述，不要一来就是 how每个部分写成一段，有各自的参考文献4.1 为什么半监督学习：有效利用未标记数据4.1.1 有的直接利用数据的分布4.1.2 有的利用伪标签4.2 为什么要协同：不同的视图提供不同的信息，差异可能导致更稳定4.2.1 数据属性、数据源不同时域与频域，描述网页的时候（自己内容与指向它的超链接的内容）4.2.2 基础数据相同

第一句不够亲民。没有给读者机器学习领域的感觉。随着什么领域/应用的发展，促进了set-level问题的发展。Set-level problems becomes more important with the advance of complex machine learning problems on imges, texts, medicine.Set-level problems becomes critical with the advance of complex machine learn.

你和别人比赛抓螃蟹，你的成绩不错，但并不是冠军。万幸你抓到一条鱼，然后到处吹牛：我今天早上计划去抓鱼，果然成功了！不合适的大小写，如 Discrepancy -> discrepancyEvidence Domain Adaptation LearningThe Evidence Maximum Mean Difference (EMMD) 是你提出来的概念，还是已有的？Previous 是一个形容词提出自己工作的时候，没有和已有工作（global information）形成对比。应该先

顶会的风格一惊一乍：动机要强（已有方法的缺陷、瓶颈、痛点，当前的问题亟需解决，interesting），技术要炫（特色鲜明，先进），效果要卷（时效性，与近两年技术比，完虐以前技术）As the neural network has achieved good results in the field of image denoising, many scholars use it to denoise seismic data.平平无奇，只是跟随性的工作. 要写 However.图注要够长。写三行

技术不够炫. 如果没有原始创新, 那至少技术要够新.比较方法单一 (SVM)数据集少 (仅一个数据集)缺乏足够的物理意义解释缺乏对数据本身特性的分析 (定制算法, 调整参数), 从应用背景多做分析. 想要一个普适性的算法, 还是专门为某个具体应用获得有意义的结果?比较图要清晰, 易于辨识. 如果重叠的话, 用不同的标识 (+, *, o).“设计属性提取算法”. 实际上, 神经网络才是最好的属性提取器....

Safe Co-training for semi-supervised regression→\to→ 在前面第一次出现时说明了这个缩写，现在就正常写Safe co-training for semi-supervised regressionP, T 是整数，为标量→\to→用 $ 括起来，直接变成斜体t <T→\to→t < Tj 统一为斜体no availabel data→\to→no available datawhile (t&lt..

这里讨论的开局一张图是论文效果. 先把这张巨丑的图贴出来.使用矢量图. 以后不要让我逮这种问题. 去看 https://blog.csdn.net/minfanphd/article/details/121092750只是效果图，不需要用标尺.4 张子图就画成 22 的，不要搞成 41.Negative data 和 Positive data 这种标注如果每张子图都有, 就别写.Negative data 用 - 号, Positive data 用 + 号，标清清楚楚的. 根本不需要用颜色

The most of approaches have a time complexity of at least O(MN2).→\to→ 你自己的都叫 algorith, 所以需要统一Most existing algorithms have a time complexity of at least O(MN2).HNRS is a parameter-free rough set algorithm. It can adaptively generate the radius of t..

obtaingood→\to→ 这种拼写检查都没做obtain goodWe propose a two-stage data augmentation method.→\to→ 句子太短了也不好看呀In this paper, we propose a two-stage data augmentation method to address these issue.a dozen samples→\to→ a dozen 就只有12个？如果你想说几十个，就是dozens of..

主动学习与随机选择方案的比较：选择相同多的标签，两种方案的Acc不同达到相同Acc，查询标签个数之间的差异主动学习代表性与不确定性之间的比较：只用代表只用不确定性先考虑代表性，后考虑不确定性 (方案1-2可以由不同的代表性样本比例来调节获得，如100%用代表性，就退化为方案1)同时考虑代表性与不确定性（一种方式是：仅查询top-k代表性样本，其中的不确定性强的标签。它可以减少训练集的大小，从而节约训练时间。当然，另一个目标是更好的精度）。从策略上来说，是雨露均沾好，还是重点培养好？有可能封闭

With the increasing data dimensionality, attribute reduction has become an effective way to eliminate effects caused by redundant attributes.Due to the better performance, neighborhood rough sets (NRS) have been widely applied to attribute reduction.It u

Random Noise Attenuation In Seismic Data Though Multi-Scale Residual Dense Network→\to→ 介词不要大写Random Noise Suppression of Seismic Data through Multi-Scale Residual Dense NetworkRandom noise suppression is an important issue in seismic data processin..

原创性问题重在问题的意义：动机。需要问题的良好定义：输入、输出、优化目标。用户行为模拟？原创性方法核心技术，在机器学习里面很多时候只是一个优化目标。不需要多，但确实效果要好。典型例子：卷积核（非常厉害），U-net, 不同的激活函数，drop out，direct connect增量式核心方法在别人的优化目标上增加了正则项，缓解过拟合。框架创新每个具体技术都有，但搞了个框架进行集成。典型例子：新的网络结构，进行了调参（层数、节点数）但效果确实好且有较好的适应性。应用创新把已有的网络.

The high-level instances H\mathcal{H}H→\to→ 同位语The high-level instance set H\mathcal{H}HThe IP.→\to→ 在空间足够的时候可以不用缩写k=rck = r_ck=rc​; // kkk is the number of instance prototypes of each bag.→\to→ 注释里面不一定完整的句子k=rck = r_ck=rc​; // The number of i..

Network traffic detection identifies information security threats by analyzing communication data.→\to→ 不分析通讯数据，还能分析啥？写具体些.→\to→ detection 本身是一个比较虚的名词，可以改为实体. 否则要改为 Network traffic detection aims at identifying 好像又不合适Network traffic detectors identify .

作者名那里不要写 [1,2,3]，我们都是同一个单位，不需要。要用一个信封图标，表示我是通讯作者。[email protected], {minfan,zhanghr}@swpu.edu.cn, 花括号是为了多个邮箱准备的。However, they have only a limited ability to imitate the behaviors of individual players.→\to→ ability 不可数However, they have limited .

\emph{KPCA}KPCARelated work: Mainstream problems and methodsPreliminaries: Data model, Problem statementBasis: Theory, Methods (GAN)The proposed algorithmNetwork architecture (overview)Algorithm frameworkPseudo codewhy, what, how, when, wher

Most existing imitation methods often require many demonstrations, even in simple games.→\to→Most existing imitation methods require many demonstrations even in simple games.The output is a personalized policy for each player.→\to→The output is a pers

Behavior imitation of individual board game players可以把 behavior imitation 列为 keywordby dividing the imitation process into two stages→\to→ 技术比阶段的适应性更好，而且更有力量through three techniques: generic policy learning, individual player behavior imitating, and b.

按照新给的节奏修改 Introduction 前两段，务必把故事讲得简明、清楚。一篇论文只允许你从一个角度讲一个故事，有舍才有得。第二段需要找出当前的主要挑战，而且要与自己的工作相结合，反过来找。This paper 后的两段话要紧密结合 Figure 1 来说，同时要紧密结合前面提出的问题来说。挖了坑要埋。有可能提出了四个问题，只埋了两个，也可以接受。还是这两段：在说自己的技术的时候，why 最重要，what 次之，how 只是平铺直序，充个数而已。如果想进一步强调自己的创新，可以写 The c.

However, existing LDL algorithms usually extracts sample features from a single view, 然后要说这样做的坏处、局限性、性能影响MSN 是什么的缩写？First, we constructed -> constructFigure 1 居然不是你自己的核心内容？你给谁打广告？Figure 2 也不是你自己的。开局一张图，具体（不同的网络）。In this paper 之后的文字，统统是看图说话。In thi.

realizes -> implements, achievesbetween source domains and target domains -> between source and target domainsDomain adaptation achieves effective transfer between source and target domains with different distributions.How to accurately identify .

新问题，新方法？新方法老方法有什么缺点/不足？对比实验大家都做分类。有些方案不扩增，我们可以与他们比较。这时候比较分类性能。对于不同的扩增算法，我们与之比较扩增效果。与其它扩增方案比的意义更大。可以把别人论文中的结果拷贝过来，直接用。用同样的数据集，可以是别人的，也可以是自己的。前者更加公平，后者可能对自己更有利，因为我们可以按照数据的特性调整超参数。一楼：分类算法。二楼 a：针对不平衡数据的分类算法。二楼 b：针对小样本的分类算法。三楼：基于数据扩增的分类算法。我们是四楼。对比性能的基本前.

按昨天晚上讨论的方案1.1 使用训练、测试集分开，Open world 场景1.2 使用交叉验证 5CV相应的程序调整2.1 数据集读取及 5CV 划分应在 cmale.py 里面实现2.2 multi_label_data 中 MultiLabelData.class 的初始化，参数不能给文件名，而是四个 np.array 类型数组。它们分别对应于训练集的条件属性、标签；测试集的条件、标签。其它考虑3.1 由于 5CV 在 MultiLabelData 之外，MultiLabelData .

Introduction 中，介绍背景知识和相关工作最多两段，介绍相关工作的缺点最多一段。也就是说，第四段必须以 In this paper 开始。Introduction 中，介绍自己工作的篇幅不得低于前面综述的篇幅。也就是说，从第四段开始，应该至少写三段（不含实验）。必须要 Introduction 把自己的故事讲清楚。现在有开局一张图，但它太简单了，既不炫，也没表示特殊的技术。Related work 和 Background，应该只写其中一个。区别在于：Related work 应着重介绍别人.

作为期刊论文，Introduction 的最后一段要介绍整篇论文的组织结构。The remainder of this article is organized as follows.虽然在计算机、机器学习圈子很喜欢开局一张图，其它圈子不一定喜欢。你要浏览目标期刊至少 10 篇论文，如果没人这么做，就只有把这张图挪到自己的工作这一节（即第 4 节）。Related work 这一节的内容太少。如果要单独成为一节，至少要三段，分别描述三个流派的工作。Table 1. The algorithm ha.

一. 论文任务分配摘要进展情况（完成了80%，需要根据实验结果进行修改）引言2.1 文献综述进展情况（完成了20%，需要和参考文献一起写）2.2 本文工作的描述进展情况（完成了50%，需要根据实验结果进行修改）基础知识3.1 基本问题：多标签学习、主动学习、代价敏感学习3.2 已有组合：多标签主动学习、代价敏感主动学习、代价敏感多标签学习3.3 问题描述（完成了80%）本文技术4.1 预测模型（完成了60%，可能根据根据实验结果进行修改）4.2 实例-标签对选择4.2.1 实

一个问题一个小节，顺序相对应。先做参数调整，再做时间复杂度分析，再做数据分布分析，再与原始的比，最后与别人的方案 SOTA 比。内部比较的时候，不要写increament。内部比较的目的是进行参数的选择。K 统一取 5.对于不同数据集，最好用比较统一的参数，进行外部比较。外部比较最为重要，内部比较都是为它铺垫的。性能波动的问题，对于某些指标比较明显，这个可以进行说明。lambda 设置，并不需要对所有的数据进行。用三个数据集就行了。可以考虑用一个大图：4*3=12个小图。两种外部比较：与原始数据.

定义清楚问题输入、输出、优化目标、约束条件输入：二维平面地图，地图的大小是已知的吗？障碍是已知的吗（有可能走到面前才知道，并没有上帝视角）？地图上的区域有差异吗（距离与路程是否一定成正比，如果有沼泽地就不一定了）？输出：从原点到终点的路径优化目标：1）路径最短；2）搜索时间最短。其实是多目标优化。约束条件：障碍物，导致有些顶点不可达给出一个最简单粗暴的算法，最好是确定性的穷举法、动态规划算法（自底向上）寻找更优的算法，有可能是不确定性的智能算法分治法（减少时间的常用方法）...

可参考 http://www.fansmale.com/publications.html 第 31 篇论文: Active learning through density clustering.实验部分需要一个总体的架构，分成如下几个部分。在实验这一节开头，第一个小节之前，写需要回答的问题。We conducted experiments to analyze the effectiveness of DDAE-RCAB and to answer the following questions

原始报告任务划分1.1 区域划分输入：小车的数量n输出：n个区域优化目标：负载均衡。每个区域的大小一致，或者每个区域的遍历路径长度一致（与下一任务有关）1.2 寻径输入：一个区域输出：遍历路径优化目标：路径最短，相应的花费时间最短1.3 初始点的选取可能不是一个问题另外，如果能解决问题1.2，且最后的路径为一个回路，则1.1也不是问题。已有的方案2.1 问题1.2的方案假设可以把区域划分成2*2的小方块，障碍也由这么大的小方块组成。每个小方块看成一个节点，据此利用最小生成树算

题目: AMML: Graph feature representation learning method for multi-label learning→\to→GRML: Graph feature representation for multi-label learning至少你不能重复使用单词 learning摘要里面把自己的方法分为三个步骤，就正大光明地写，每个步骤一句话.Prove that our algorithm is superior to the existing .

有些领域 (如机器学习) 喜欢开局一张图 , 即把主要方法放在引言里面; 但有些圈子 (如地球物理) 不喜欢. 后者更愿意把它放到 Method 这一节. 如果你的目标期刊是 IEEETransactions on Geoscience and Remote Sensing, 就应该去看下他的文章风格.如果自己没啥理论, 只是建立一种新的神经网络结构, 第 3 节标题就写 “Method”, 而不是 “Theory”. 一般的算法方面论文, 也可以写成 “The proposed algorithm”.

基于传统机器学习训练出的模型优劣在很大程度上取决于样本数量，而在不平衡的小样本数据集中，正类数据量不足的问题成为了阻碍传统机器学习在解决不平衡数据集分类问题上的关键。→\to→ 句子太长→\to→ 词组重复率过高→\to→ 究竟是样本少，还是不平衡问题？其实并没有解决样本少的问题。→\to→ 在实际应用中，我们注重把多少正类样本正确地选出，而不是把多少负类样本错误地选出。在微生物数据集中，正类样本比例小但价值高，如何进行代价敏感分类是机器学习的核心问题。降维模块，利用KPCA对原始数据集中的特.

Multi-view learning focuses on how to improve model performance using multiple learners.→\to→ 避免 how to 这种口语用法Multi-view learning focuses on using multiple learners to improve model performance.For semi-supervised regression (SSR), multi-view learners .