¿Por qué las tasas de aceptación de las conferencias de minería de datos son tan bajas y qué tipo de documentos se rechazan?

Si eres nuevo en el campo, espero que tengas un asesor o mentor que pueda ayudarte. Esa persona debería poder aconsejarle si su trabajo es digno de publicación y, de ser así, qué conferencia sería el lugar más apropiado para la publicación.

EDITAR: en respuesta a un comentario, he agregado lo siguiente.

Un buen número de documentos simplemente no están escritos de manera competente. La descripción del enfoque podría ser extremadamente confusa, los experimentos podrían hacerse mal, podría haber un error en la prueba, etc.

De los documentos escritos de manera competente, los principales factores decisivos son la novedad y la integridad.

A veces, el artículo tiene una idea genial, pero el resultado se siente muy inmaduro. Por ejemplo, hay algunos trabajos obvios relacionados en la literatura que el documento no pudo comparar. O hay algunas configuraciones experimentales obvias que el documento no intentó. Estos documentos se consideran incompletos.

A menudo, el artículo puede estar muy bien escrito con buenos experimentos, pero las ideas simplemente no son tan novedosas. Para estos documentos, las decisiones de aceptación comienzan a ser algo subjetivas. Algunas personas piensan que una idea es lo suficientemente novedosa, y otras no. Los revisores lo discuten y llegan a un consenso.

El criterio básico que las personas tienden a seguir es: “¿cuántas otras personas podrían haber ideado una técnica similar si lo hubieran necesitado?” Si la respuesta es “una fracción sustancial de la comunidad de investigación”, entonces la idea se considera no tan novedosa. Si la respuesta es “muy pocos”, entonces la idea se considera muy novedosa.

Puedo hacer una conjetura sobre cuáles son las proporciones, pero podría estar completamente equivocado. Pero aquí va.

  • 50%: documentos que claramente no son lo suficientemente buenos. Tienen problemas obvios.
  • 5%: documentos que tienen una idea genial pero los resultados parecen prematuros. Algunos de estos documentos son tan geniales que de todos modos son aceptados.
  • 35%: documentos escritos razonablemente de manera competente. Pero la novedad de las ideas es cuestionable. Aproximadamente la mitad de estos documentos son aceptados, después de que los revisores los debaten.
  • 10%: documentos que obviamente son aceptados (método claro, contribución técnica novedosa, experimentos bien hechos).

No creo que nadie haya leído todas las revisiones de cada presentación en papel para una conferencia, por lo que no creo que nadie realmente sepa con certeza las proporciones.

He presentado documentos en el pasado que han tenido problemas obvios en retrospectiva que no entendí. En esos casos, agradece a los revisores por señalar el problema, mejorar su trabajo y volver a enviarlo.

También presenté trabajos en los que más tarde me di cuenta de que no había escrito el documento de manera que resaltara su novedad y / o los revisores de la conferencia realmente no aprecian ese tipo de novedad. Entonces, en esos casos, reescribí el documento para que fuera más claro y lo sometí a una conferencia diferente que lo aprecia más.

Probablemente una respuesta sea obvia, pero la tasa de aceptación es baja porque hay muchos envíos en relación con el número de espacios.

Si desea tasas de aceptación más altas, hay conferencias comerciales generales en las que sin duda puede ser aceptado. Si estos son valiosos depende de su objetivo y su institución. No recibirá comentarios ni aportes sobre el rigor ni las teorías específicas. Sin embargo, escuchará sobre la relevancia del tema general.

Ahora. En cuanto a por qué no eres aceptado, es imposible saberlo. Sin embargo, generalmente hay tres razones. Primero, su tema puede no ser interesante. No copie trabajos viejos. También necesita una contribución más profunda de lo que funcionaría en la práctica. Mire debajo de los números para entender por qué. En el extremo opuesto, tal vez su tema sea demasiado creativo y los revisores no entiendan por qué es importante. En este caso, puede considerar un documento que establezca las bases y explique por qué es importante y cómo encaja en el cuerpo de trabajo existente (y cómo se separa de él). La tercera posibilidad es que la forma en que realice su investigación no sea rigurosa. Lea los artículos existentes y los procedimientos anteriores para comprender las expectativas. Además, muchas conferencias tienen pistas para nuevos investigadores. Asista a uno y comprenda las expectativas.

Finalmente, con respecto a su trabajo, preste atención a los comentarios que recibe sobre el rechazo. Si los comentarios no son claros, escriba al revisor principal y solicite una aclaración. No te pongas a la defensiva, entiende los comentarios. O será directamente útil en cosas para arreglar o debería decirle lo que necesita para comunicarse mejor. Por ejemplo, si los revisores no parecen “entenderlo”, eso le indica que no se ha comunicado claramente. Su trabajo puede ser brillante, pero no ha explicado a los extraños por qué es brillante.

More Interesting

¿El aprendizaje automático no supervisado basado en la agrupación de datos también determina automáticamente la cantidad de agrupaciones?

Con la introducción de la inteligencia artificial, ¿podrán las computadoras tener un alto coeficiente intelectual?

¿Puedo usar una CPU para generar datos (aumento) cuando el entrenamiento de flujo de tensor en GPU es de forma paralela?

Cómo construir una aplicación para educación

En los campos de redes neuronales o aprendizaje profundo, ¿qué es un "gráfico computacional"?

Como el sistema de recomendación está relacionado con el aprendizaje automático, ¿cuál será la próxima moda en los sistemas de recomendación?

Cómo construir un modelo de regresión lineal en el aprendizaje automático

¿Cómo entrenar codificadores automáticos dispersos en imágenes?

¿Cómo se calcula la pérdida WARP de la estadística de orden K para aprender a clasificar las recomendaciones?

¿Cómo puede Machine Learning ayudar a un desarrollador de Android?

¿Vale la pena dejar mi trabajo de desarrollador de software de USD $ 150K para estudiar el aprendizaje automático y el aprendizaje profundo?

¿Qué lenguajes de programación son adecuados para el procesamiento del lenguaje natural?

¿Hay alguna empresa de software en Bangladesh que trabaje con ciencia de datos / ML / ANN / Visión por computadora?

Cómo aumentar mis posibilidades de ser seleccionado en un programa de doctorado en aprendizaje automático o inteligencia artificial

¿Cuál es la distribución condicional completa?