【学术技能】查看期刊分区

已于 2024-07-06 17:03:44 修改
阅读量415 收藏
点赞数 10
文章标签： 论文阅读 论文笔记
于 2024-07-06 16:58:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39213607/article/details/140231815
版权

点击进入网站：https://ds.carsi.edu.cn/resource/resource.php

登录页面输入你的学校/单位
在这里插入图片描述

取消勾选“只显示本校可用资源”
在这里插入图片描述

点击“中国科学院文献情报中心期刊分区表”
在这里插入图片描述
点击：访问资源
在这里插入图片描述
点击升级版
在这里插入图片描述
输入期刊名，然后点击查找
在这里插入图片描述
点击对应的刊名
在这里插入图片描述
显示对应的分区
在这里插入图片描述

记录学习进程
关注
  • 10
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python做学术_搞科研的朋友注意了，停下手头的活，再忙也要看一下！
weixin_34278412的博客
01-11 1251
被论文折磨是每个科研人的日常，只要随便一搜，全都是科研人被论文虐得死去活来的心路历程。▲图片来源于：知乎在博士路上狂奔了四年的小辰，同样也被论文搞得焦头烂额。他的论文前前后后修改了6次，可导师仍然不满意，还给出了几百条修改意见，这让小辰陷入崩溃的边缘。他觉得自己就像是个论文修改机器，以前做学术的激情，也早已被反复修改论文磨得所剩无几。甚至开始怀疑，自己真的适合读博吗？当初选择读博的决定是对的吗？并...
2018常见期刊分区汇总.docx
07-20
2018常见期刊分区汇总.docx
中科院SCI期刊分区（又称JCR期刊分区）知多少
刘永鑫的博客——宏基因组公众号
12-22 4927
SCI期刊常用的评价指标是IF。考虑到IF指标是洋指标，中国科研工作者进一步根据国情设立了中科院JCR期刊分区表来对期刊的管理进行补充。中科院期刊分区其实就是把所有的期刊按照一定指标划分...
如何官方查询论文分区，中科院及JCR
Stephanie的博客
05-24 610
这就是根据影响因子的排名，在computer science，hardware architecture领域 54种期刊排2，Q1，在information system 158排2，Q1，都是一区。有一个小程序：中科院文献情报中心分区表。点2023升级版，输入期刊名。输入要查询的期刊名，点开。
【学术】SCI期刊影响因子查询方式
小白兔的窝
12-02 3160
版权声明： 来源（首发）：微信公众号《技能Tools》 关于SCI期刊影响因子的查询最权威的必须是以ISI Web of Knowledge作为检索平台的Web of Science数据库。接下来为大家介绍如何使用该网站平台进行SCI期刊影响因子的查询。 01． 在平常查询浏览SCI文章的时候，可以按下面的步骤简单查看期刊影响因子： 首先登录ISI Web of Knowledge检索平...
中科院分区发布2021年期刊重大调整(生信期刊调整为生物学大类)
刘永鑫的博客——宏基因组公众号
12-12 1482
内容来源：中科院文献情报中心分区表、青塔学术（仅转载，不代表本号和本单位观点）2021年中国科学院文献情报中心期刊分区表（简称“期刊分区表”）的期刊范围和大类设置与去年保持一致。期刊调整主...
2019年中科院期刊分区.xlsx
08-05
中科院期刊分区，是中科院《中国科学院文献情报中心期刊分区表》（简称期刊分区表）是中国科学院文献情报中心科学计量中心的科学研究成果。期刊分区表自2004年开始发布，延续至今；从2012年起，更改为网络版。期刊...
2021年期刊中科院分区
12-15
2021年期刊中科院分区，共9566个期刊，13个大类
学术会议和期刊目录_EXCEL.rar
06-17
标题“学术会议和期刊目录_EXCEL.rar”以及描述暗示了这个压缩包包含一系列与学术研究相关的Excel文件，主要涉及学术会议、期刊目录、专业适配、论文分区、影响因子、研招办联系方式以及各类学会推荐的学术资源。...
[论文阅读]MaIL: Improving Imitation Learning with Mamba
qq_33673253的博客
07-13 755
这项工作介绍了mamba模仿学习（mail），这是一种新颖的模仿学习（il）架构，为最先进的（sota）变换器策略提供了一种。基于变压器的策略由于能够处理具有固有非马尔可夫行为的人类记录数据而取得了显著成果。然而，它们的高性能伴随着大型模型的缺点，这使得有效的训练变得复杂。虽然状态空间模型（ssms）以其效率而闻名，但它们无法与变压器的性能相匹配。mamba显著提高了ssms和竞争对手对transformers的性能，使其成为il政策的一个有吸引力的替代方案。mail。
[论文笔记]RAPTOR: RECURSIVE ABSTRACTIVE PROCESSING FOR TREE-ORGANIZED RETRIEVAL
weixin_57128596的博客
07-13 1128
LLM不包含特定任务所需要的领域知识，并且随着世界的持续变化，使得LLM中所学的事实失效。在开放领域QA系统中开创性的方法是将大量的文本【数据源】进行分块，然后在单独的信息索引系统中建立索引，最后将检索到的知识与Query结合在一起作为上下文丢给下游的LLM【RAG检索增强】，这使得为系统提供特定领域的知识变得更加容易，并且也能够更加轻松地解释和追溯来源。智能检索到K个相邻文本片段【太少有局限】，限制了LLM大规模话语结构能力。
Feature Alignment and Uniformity for Test Time Adaptation--论文笔记
dezwb的博客
07-11 1073
TTA在接收训练分布外的测试域样本时对深度神经网络进行自适应。在这样设置下，模型只能访问在线未标记的测试样本和训练域上的预训练模型。由于源域和目标域之间的域差距，我们首先将TTA作为一个特征修正问题来解决。之后，我们根据对齐和一致性两个方面来讨论测试时间特征的修正。对于测试时间特征一致性，我们提出了一种测试时间自蒸馏策略，以确保当前批次和所有先前批次的表示之间的一致性。对于测试时间特征对齐，我们提出了一种记忆的空间局部聚类策略，以对齐即将到来的批次的邻域样本之间的表示。
DELTA: DEGRADATION-FREE FULLY TEST-TIME ADAPTATION--论文笔记
dezwb的博客
07-10 1360
完全测试时间自适应旨在使预训练模型在实时推理过程中适应测试数据流，当测试数据分布与训练数据分布不同时，这种方法很有效。为提高适应性能作出了若干努力。然而，我们发现，在一些刘硎的的自适应方法中，如测试时批量归一化（BN）和自学习，隐藏了两个不利的缺陷。首先，我们指明了测试时间BN中的归一化统计量完全受当前接收的测试样本的影响，会导致不准确的估计。其次，我们证明了在测试时间自适应过程中，参数更新偏向于一些优势类。
[论文笔记]构建基于RAG聊天机器人的要素
日积月累，天道酬勤
07-12 657
⭐ 作者来自英伟达的团队，介绍了他们在构建企业级RAG聊天机器人的经验。提出了FACTS这5个要注意的方面以及15个可提升性能的控制点。是一篇偏实战的工作，值得仔细研读。
论文阅读：Explainability for Large Language Models: A Survey
CSPhD-winston的博客
07-15 298
此外，论文提出了未来研究的方向，包括开发针对不同LLMs定制的解释方法、评估解释的忠实度，以及提高人类的可解释性。解释LLMs对于理解其行为、限制和社会影响至关重要。：提出了几个关键的研究挑战，包括缺乏真值解释、新兴能力的来源、两种范式的比较、捷径学习、注意力冗余，以及从快照可解释性转向时间分析。：总结了论文的主要内容，并强调了随着LLMs的发展，可解释性对于确保模型的透明度、公平性和有益性的重要性。：探讨了基于提示的LLMs的解释，包括思维链解释和反事实解释，以及如何利用这些解释来改进模型性能。
论文阅读【时空+大模型】ST-LLM（MDM2024）
micaudience的博客
07-11 1098
Spatial-Temporal Large Language Model for Traffic Prediction
GloVe: Global Vectors for Word Representation论文笔记解读
m0_52775136的博客
07-12 608
虽然semantic评估有略微增长，但是维度增加，对资源的消耗也会增加，所以考虑到成本，一般会选择300作为最终的维度。【在类比任务上做得更好，但它们很少利用语料库的统计数据，因为它们在单独的局部上下文窗口上训练，而不是在全局共出现计数上训练。Glove模型：融合了当时最新的全局矩阵分解方法和局部文本框捕捉方法，即全局词向量表达，利用了全局词词共现矩阵中的非0数据来训练。第三个是指窗口不对称，也就是说只考虑前面或者后面的单词，维度固定的情况下，窗口大小对模型的影响。展示了三个不同超参数对最终结果的影响。
LLM量化--AWQ论文阅读笔记
最新发布
two_apples的博客
07-15 785
在本文中，提出了激活感知权重量化（AWQ），这是一种面向硬件的LLM低比特权重量化方法。猜想基于这样一种观察结果：权重不是等同重要的，仅保护1%的显著权重就能大大的减少量化误差。然后我们提出了通过观察激活来搜索最优的每个通道的缩放因子，以保护这些显著的权重。QAT因为高训练成本效率低，PTQ在低精度的时候精确度下降的多，最接近的工作是GPTQ，这种方法采用二阶信息来进行误差补偿，但是，它在重构的过程会过拟合校准集。
zotero显示期刊和分区
10-28
Zotero可以显示期刊的信息和分区。在Zotero中，您可以通过添加期刊的DOI或ISSN号来获取期刊的信息，包括期刊的名称、出版商、ISSN号、影响因子等。此外，Zotero还可以显示期刊的分区信息，例如JCR分区、ESCI分区等。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值