软件下载帮助文档新闻资讯

Skill UI

浏览并发现 15857+ 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 KDD ，共找到 24 条记录

默认排序最新上传最多下载

AI学术论文选题与投稿指南

aaai-topic-selection

brycewang-stanford/Awesome-Journal-Skills

本指南帮助研究人员决定其AI项目是否适合AAAI会议投稿。它提供了详细的投稿标准、强弱信号判定以及专业的路由逻辑，指导您判断项目是应该提交给AAAI，还是应转向NeurIPS、ICML或特定领域的专业会议。使用它来完善您的研究选题，最大化论文的投稿成功率。

ACM WSDM投稿策略指南

acm-international-conference-on-web-search-and-data-mining

brycewang-stanford/Awesome-Journal-Skills

这是一份针对网络搜索和数据挖掘领域论文的投稿指南。它指导作者如何评估论文是否适合WSDM这一顶级会议，如何重新构建论文的叙事框架，以及必须提供哪些关键的实验证据（如检索/排序基线和平台感知评估），帮助定位研究的贡献点。

KDD会议投稿定位指南

acm-sigkdd-conference-on-knowledge-discovery-and-data-mining

brycewang-stanford/Awesome-Journal-Skills

本指南帮助作者评估其数据挖掘论文是否适合投递KDD会议。它指导作者如何重构文章叙事，增强证据链，确保贡献具备足够的创新性、规模性和实际应用价值，以满足顶级数据科学会议的要求。

CIKM会议主题定位与投稿策略

cikm-topic-selection

brycewang-stanford/Awesome-Journal-Skills

本指南帮助研究人员评估论文是否涵盖了信息检索、数据挖掘和知识管理这三大社区的交叉领域。它提供了一个详细的框架，用于将CIKM与SIGIR、KDD、WSDM等顶级学术会议进行对比，确保论文的跨学科范围和定位达到最佳效果。

欧洲机器学习会议投稿指南

european-conference-on-machine-learning-and-principles-and-practice-of-knowledge-discovery

brycewang-stanford/Awesome-Journal-Skills

本指南旨在帮助作者评估其人工智能/数据挖掘论文是否适合投递至欧洲机器学习会议（ECML PKDD）。内容涵盖了论文的适用范围、证据标准、学术定位和与顶级国际会议（如ICML/NeurIPS）的对比策略，帮助作者优化论文叙事结构，提高投稿成功率。

数据挖掘会议投稿指南

icdm-topic-selection

brycewang-stanford/Awesome-Journal-Skills

本指南旨在为研究人员提供全面的决策框架，帮助评估其数据挖掘项目最适合哪个顶级学术会议（如ICDM、KDD等）。它指导如何根据研究机制、实验证据和实际应用场景，确定最佳投稿方向和研究轨道，以最大化学术影响力。

KDD论文成果物提交指南

kdd-artifact-evaluation

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了为顶级机器学习会议（如KDD）构建和提交研究成果物的最佳实践。它重点指导作者如何创建匿名、可复现的仓库，处理规模化声明，并为不同的研究轨道提供稳健的证据包，确保审稿人在任何阶段都能完整验证研究结果。

学术会议审稿回复撰写指南

kdd-author-response

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了在顶级学术会议（如KDD）中撰写作者审稿回复（Rebuttal）的专业策略和结构。内容涵盖了无超链接等特殊规则、如何使用精确坐标（如“表3，第4列”）锚定证据，以及如何系统性地处理多位审稿人的质疑，旨在影响领域主席的最终决策。

KDD论文终稿准备指南：ACM程序稿

kdd-camera-ready

brycewang-stanford/Awesome-Journal-Skills

本文为作者准备已录用KDD论文至ACM程序稿的全面指南。内容涵盖整个出版流程，包括严格的页面预算控制（9页正文，3页参考文献/附录），处理版权电子权利、TAPS上传，以及去匿名化步骤和数字图书馆元数据设置，确保最终版本符合学术出版标准。

机器学习实验设计与审计指南

kdd-experiments

brycewang-stanford/Awesome-Journal-Skills

这是一份关于撰写高水平机器学习论文实验部分的全面指南。文章详细介绍了“四轴证据计划”（质量、规模、效率和机制），并强调了数据卫生和实验设计的严谨性。它指导用户如何避免时间泄漏、使用矩阵化方式记录消融实验，从而确保研究成果在学术上具备高度的可信度和可复现性。

KDD论文相关工作撰写指南

kdd-related-work

brycewang-stanford/Awesome-Journal-Skills

本文档为作者提供了一套复杂的框架，指导其撰写KDD论文的“相关工作”部分。它要求作者将研究工作置于数据挖掘的完整学术脉络中，强调创新点必须与近期的KDD历史、主要的机器学习会议（如ICML/NeurIPS）以及其他交叉学科领域进行机制层面的对比，确保论述的深度和精准性。

KDD论文结果可复现性指南

kdd-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本指南为数据挖掘和机器学习领域的学术研究提供了确保结果可复现性的最佳实践。它详细介绍了三层诚实模型（可重跑、可重建、可证明），并提供了从数据采集、预处理到模型配置的全流程披露清单，旨在极大地提升科研报告的严谨度和可信度。

语言