软件下载帮助文档新闻资讯

Skill UI

浏览并发现 18671+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索 ICLR ，共找到 14 条记录

默认排序最新上传最多下载

顶级 AI 会议论文撰写

ml-paper-writing

Orchestra-Research/AI-Research-SKILLs

为 NeurIPS、ICML、ICLR、ACL、AAAI、COLM 等顶级 AI 会议提供从研究仓库出发、结合 LaTeX 模板与引用验证的论文撰写流程与协作指导。

AAAI相关工作撰写指南

aaai-related-work

brycewang-stanford/Awesome-Journal-Skills

本指南提供撰写AAAI论文“相关工作”部分的详细策略。它指导作者如何系统性地定位论文的创新性，区分与现有文献（包括已发表和最新的arXiv工作）的区别，满足不同AI领域审稿人的期望，确保论文的贡献点清晰有力。

语言模型论文投稿定位指南

colm-topic-selection

brycewang-stanford/Awesome-Journal-Skills

本指南帮助研究人员判断其语言模型（LM）研究的最佳投稿目标。它提供“研究对象测试”，帮助判断LM本身是否是研究重点，而非任务中的工具。此外，它还详细对比了COLM与ACL、NeurIPS等顶级会议的侧重点，确保文章定位准确，提高发表成功率。

ICLR 录用论文定稿提交

iclr-camera-ready

brycewang-stanford/Awesome-Journal-Skills

本技能指导研究人员准备 ICLR 录用论文的最终提交。涵盖去除匿名、整合讨论期修改、更新 OpenReview 元数据及制作海报资产。确保科学主张一致，跟踪评审期间的承诺，完成会议出版流程。

人工智能论文实证实验审计指南

iclr-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南旨在帮助研究人员为顶级机器学习会议设计和审计实验。它涵盖了进行机制分离的消融实验、鲁棒性测试（如数据漂移、随机种子）、公平基线和详细的计算资源报告等最佳实践，确保论文的实验结论是科学且可信的，以应对审稿人的质疑。

机器学习研究可复现性标准

iclr-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本指南为学术作者提供一套详细的方案，确保机器学习研究论文具备高度的可复现性。内容涵盖了如何将论文中的每一个核心结论都映射到可验证的证据链上，包括记录随机种子、方差、计算资源消耗（训练和推理）、数据预处理流程和伦理声明。撰写可复现性声明，确保研究成果对学术界公开透明。

学术会议论文评审策略

iclr-review-process

brycewang-stanford/Awesome-Journal-Skills

本指南提供了一个全面的框架，帮助用户规划大型学术会议（如ICLR）的评审流程策略。内容涵盖了双盲评审周期、作者回应技巧、公开与私密讨论的管理，以及理解永久可见性如何影响最终决策。适用于准备高风险学术投稿的作者和审稿人。

机器学习会议投稿主题选择指南

iclr-topic-selection

brycewang-stanford/Awesome-Journal-Skills

本指南帮助研究人员判断其机器学习项目是否适合投稿ICLR，或是否更适合其他顶级会议（如NeurIPS、ICML等）。它强调贡献必须具备深度的表征学习洞察、机制性分析和理论价值，而非仅仅是应用性能的提升。

ICLR学术论文写作风格指南

iclr-writing-style

brycewang-stanford/Awesome-Journal-Skills

本指南旨在帮助将技术正确的机器学习草稿，转化为适用于ICLR及OpenReview的高可读性学术论文。它指导作者将核心的学习-表征洞察放在最前端，明确贡献类型和局限性，优化摘要和引言的独立可读性，并构建清晰的审稿人验证路径，确保论文在公开评审环境中达到最佳的学术影响力。

机器学习论文投稿方向选择指南

icml-topic-selection

brycewang-stanford/Awesome-Journal-Skills

本指南帮助研究人员评估其机器学习论文最合适的投稿方向。它指导用户根据论文的核心贡献类型（理论、方法、应用）和创新性，判断其是否适合ICML，或应转投至其他顶级会议、专业赛道，或专业期刊。

ICLR顶会投稿定位与优化

international-conference-on-learning-representations

brycewang-stanford/Awesome-Journal-Skills

本指南为投稿至国际学习表征大会（ICLR）的AI/ML研究人员准备。它帮助作者优化论文的定位和叙事框架，评估研究证据的强度，确保稿件符合顶级深度学习和表征学习会议的严格评审标准。

顶级机器学习会议论文定位策略

international-conference-on-machine-learning

brycewang-stanford/Awesome-Journal-Skills

本指南为目标顶级AI/ML会议（如ICML）的作者提供完整框架。它涵盖学术定位、识别核心机器学习贡献、构建论文叙事结构（问题、时代背景、新颖点），并建立了严格的证据标准，包括基线对比和消融实验。此外，还指导作者如何将工作与周边会议（如NeurIPS, ICLR）进行有效区分。

语言