↓跳过正文

Week20总结

·227 字·2 分钟
ck_doge
作者
ck_doge
he1lo, th3re

终于！搬运工作结束了！之前的随笔记录基本上都从hexo迁过来了！

吐槽一下：之前的数学公式有点不太对劲，要全部换掉格式了 虽然说只要在md的页面上加这个就行, REF

  • 原来inline都是$ ... $的格式，现在是\\( ... \\)的格式了

本周简单的总结一下 因为好像差不多一个月没有更新过了www
#

主要总结一下论文画图相关的总结还有经验（仅供参考，不全对ooo

总结一下(糊)论文的方法
#

写在前面 当时的场景是5/1小长假里面速通论文 5/7日晚上就要交了，所以质量必然高不了的

同时，因为是网络领域的会议，写作方法肯定和主流的AI会议不太一样，所以仅供参考 :)

AI会的Paper be like:
#

  • 拉上一堆作者 **+(无贬义)

  • 对话框 + 图形

  • 炫酷的emoji + LLM各种图标 + 色彩轰炸(存疑)

  • 超绝大表格 各种sota横向对比

  • 消融实验：为什么我们的贼jb厉害，薄纱现有的框架

  • 具体原理是基本木有的/数学公式写出来不是让人看懂的(?)

    AI会议
    👆xhs上面偷的一张图 很好的概括了

回到网络会议
#

要点1
#

Abstract准确精炼，5句话最多了

要点2
#

Intro前面快速切入主题，最后点出本文贡献

要点3
#

  • 模块设计图要够大 够清晰；
  • 考虑配色和图形对比（色相对比 or 直曲对比 or 形状对比）

要点4
#

论文的结构要清晰，尤其是对比实验的部分

实验图清晰易懂

Findings
#

  • conclusion随便写因为不重要，约等于复述摘要

  • reference部分的格式

问题1: 怎么画论文图呢
#

工具使用
#

省流；最简单的方法就是有请Claude 3.7/ChatGPT帮你画图

人工方法：直接用drawio画 / PPT其实也不错 （但是记得都要导出为pdf格式 且dpi像素要至少300以上）

图片数量
#

背景部分1张 + (一般是会涉及到系统的实现)1张overview图 (关键) + 系统里面的各个小模块图(n个) + 实验图(m个) + 实验表格

  • 实验图的部分和前面的模块图分开来解释，因为实验图基本上就是和测量的数据强相关的，只需要能够表达出 系统的关键指标的变化 和 对比其他实现的提升幅度 / 特殊情况下为什么会下降 就可以的。

  • matplotlib全家桶 + 基本的折线 / 柱状图 / 散点图 / subplots

  • 复合图形在同一张图上面（常见的是折线+柱状 / 折线+散点这样的）

背景图 1张
#

关键性：⭐⭐⭐⭐

论文背景除要在Introduction里面提到的内容，考虑到其实很多reviewer可能根本不懂你在做神魔，要尽量简单易懂就会偷懒先看图，而不会在意你在文章写了什么。

因此背景图（background部分）就需要做一件事情：

  • 一个足够简单和清晰，但是有代表性的case 例子：我们的研究的具体应用是怎样的 （可以有1句话的图解在图片边上）

Overview图 1张
#

关键性：⭐⭐⭐⭐⭐

内容需要完整的表达出系统的设计思路和实现的关键点（就是你 做了什么）

  1. FRAMEWORK TITLE 超大的好吧

  2. SUB BLOCKS 加粗

  3. 多用箭头 状态转移 / 流程 非常清晰，能够看到处理顺序 / 数据的流向

粒度划分：

  • 系统构成分块（模块化）（大）：宏观认知，边界清晰，够抽象
  • 各个模块的功能（中） ：对于具体细节的概括，精炼
  • 关键功能的实现细节 （小） 具体例子：你的算法 / 用了什么工程设计技巧 / 可以细一点，但是不要每个都细

这样我第一眼就能够明白 做了大概是什么东西，涉及了哪些模块，亮点会在系统什么模块的什么部分

一个例子

👆 这个例子里，我能够看到的是阶段分割 （训练 + 推理） 然后训练里面 好像是参考 经过了什么编码 + 风格的色块 / 内容色块（大概是风格知识 / 内容知识） 经过的是UNET（虽然我不知道内部会发生什么）

然后参数上面能够看出编码器是冻结的（固定），但是红色的风格构成模块是可变的（对比色） 最后我得到了目标的什么东西

那么我就知道了 这篇文章的大概贡献都在Q-Former这个模块里面

推理也是类似的，但是感觉是为了完整性才放上来的。 （上面的分析全是我自己瞎猜的，我根本不会AI orz）

小模块图 n张（取决于你想要展开哪些部分）
#

关键性：⭐⭐⭐

focus on 细节 和 值得关注的tricks / 技巧 / 算法思想点

(可能是一个反面例子)

这是我随手画的一个反面例子，对于大部分没有接触过领域知识的人来说，可能就只能get到的信息量有：

  • 输入被变成了一个vector

  • 还有一部分的vector从什么地方抽取过来

  • 经过了一个aggergate的操作

  • 经过了一个Regressor

  • 输出了一个结果 \(X \% \)

    一个例子

但是其实内部的一些技巧都没有展示出来：

  • vector的具体含义是什么（内部构成是什么）
  • additional的操作是什么 （怎么进行的向量合成呢？）
  • expected node上的数据怎么被抽取的（实际上需要额外的metric系统，daemons）
  • 为什么需要GBR而不是采用别的模型呢？ GBR内部的设计是什么呢？

这些其实都是缺失的，所以就会给人一种看不懂的感觉；

反而是一些Prediction / Total这些组件其实可以省略

graph LR;
A[向量是什么]-->A1[系统的什么指标];
A[向量是什么]-->A2[指标含义和原理];


A1[系统的什么指标]-->B[组合原理];
A2[指标含义和原理]-->B[组合原理];

B[组合原理]-->B1[组合方式];
B[组合原理]-->B2[组合有效性];

B1[组合方式]-->C[GBR的执行流程];
B2[组合有效性]-->C[GBR的执行流程];

C[GBR的执行流程]-->D[跳转到系统下游];
👆 重新拆解了一下

实验图 n张
#

关键性：⭐⭐

我相信只需要实验的结果足够多，这个图完全没有难度吧（纯数据驱动xs）

核心：你的方案是在太强了！！！ 薄纱所有其他人（就是这种感觉）就ok 🌶