LaTeX für Paper zum maschinellen Lernen ohne Notationschaos
Notationsübersichten, Ablationstabellen, Algorithmen, Abbildungen aus Trainingsläufen und Git neben dem Paper, vom ersten arXiv-Entwurf bis zur Camera-ready-Fassung.
Die meisten ML-Paper scheitern in LaTeX auf dieselbe Weise: Auf Seite drei stimmt die Mathematik, auf Seite zwölf ist sie uneinheitlich. Die Verlustfunktion heißt in einem Abschnitt L, in einem anderen \mathcal{L}, und fett gesetzte Vektoren gibt es nur, wenn der Autor daran gedacht hat. Reviewer bemerken das, auch wenn sie es nicht kommentieren.
Dies ist ein praktischer Leitfaden für Studierende, die Workshop-Paper, Konferenzeinreichungen und Kapitel von Abschlussarbeiten schreiben, die eng mit dem Trainingscode verwandt sind.
Legen Sie am ersten Tag eine Notationsübersicht fest
Schreiben Sie zwanzig Zeilen Makros, bevor Sie den Teil zu verwandten Arbeiten schreiben:
\newcommand{\vect}[1]{\boldsymbol{#1}}\newcommand{\mat}[1]{\mathbf{#1}}\DeclareMathOperator*{\argmax}{arg\,max}\newcommand{\loss}{\mathcal{L}}\newcommand{\expect}{\mathbb{E}}\newcommand{\kl}{\mathrm{KL}}Fügen Sie diesen Block in den Branch jedes Koautors ein. Wenn ein Sprachmodell ein neues Symbol erfindet, tragen Sie es zuerst in die Übersicht ein und verwenden Sie es erst dann. Die Lektion zum Einhalten der Notation durch die KI beschreibt dieselbe Idee mit einem Sprachmodell im Arbeitsablauf: Das Modell muss sich an die Übersicht halten und darf keine Schriften erfinden.
Eine Live-Vorschau der Formeln in einem Forschungseditor hilft Ihnen, schon beim Tippen zu bemerken, dass \mathcal{L} und L nicht dasselbe Objekt sind.
Tabellen, die auch die Camera-ready-Fassung überstehen
Ablationstabellen wachsen, bis sie über den Seitenrand hinausragen. Bevorzugen Sie booktabs ohne vertikale Linien, siunitx für an den Dezimalstellen ausgerichtete Zahlen und eine Beschriftung, die die Metrik und den Datensplit nennt (ImageNet, CIFAR, In-Domain gegenüber OOD). Wenn sich die Tabelle über mehrere Seiten erstreckt, setzen Sie früh longtable ein, statt die Schrift auf 7 pt zu verkleinern.
Für den ersten Entwurf hilft ein visueller Baukasten: Der Tabellengenerator läuft im Browser. Die endgültige Tabelle sollte trotzdem die Metrik in der Beschriftung nennen und ± als Standardabweichung oder Standardfehler definieren.
Geben Sie Seeds und Wertebereiche der Hyperparameter in Tabellen im Anhang an, wenn die Konferenz oder Zeitschrift es zulässt. So bleiben die Haupttabellen übersichtlich.
Algorithmen und Listings
Pseudocode gehört in algorithm2e oder algorithmicx, nicht in einen Absatz in Festbreitenschrift. Echte Trainingsausschnitte gehören in listings oder minted mit eingestellter Programmiersprache, damit Reviewer sie überfliegen können. Halten Sie den Hauptteil kurz; legen Sie vollständige Konfigurationen in den Anhang oder verlinken Sie ein Repository mit Commit-Hash.
\begin{algorithm}\caption{Training step}\label{alg:step}...\end{algorithm}Nummerieren Sie Algorithmen, auf die Sie sich beziehen. Packen Sie keine fünf Seiten PyTorch-Code ins PDF.
Abbildungen aus TensorBoard und matplotlib
Exportieren Sie nach Möglichkeit als PDF oder SVG. PNG-Rastergrafiken mit 300 dpi sind für Screenshots von Benutzeroberflächen in Ordnung, nicht für Liniendiagramme. Schneiden Sie den Weißraum ab, bevor Sie \includegraphics verwenden. Wenn ein Gleitobjekt in den nächsten Abschnitt wandert, korrigieren Sie Größe und Platzierung, bevor Sie eine Stunde lang mit [H] kämpfen: Platzierung von Gleitobjekten.
Ablationen mit mehreren Teilabbildungen setzen Sie entweder in TeX mit subcaption zusammen oder Sie montieren sie extern und binden ein einziges PDF ein. Verwenden Sie in allen Abbildungen dieselbe Farbe für „ours“, damit Leser, die nur überfliegen, die Legende nur einmal lernen müssen.
Zweispaltige Konferenzklassen
Klassen im Stil von NeurIPS, ICML, ICLR und CVPR ändern Ränder und Regeln für Gleitobjekte. Kompilieren Sie früh mit der offiziellen Klasse. Seitenlimits sind verbindlich; quetschen Sie die Schrift nicht zusammen. Verschieben Sie Beweise und zusätzliche Ablationen in den Anhang oder in ein ergänzendes PDF, wenn der Call for Papers es zulässt.
Verwandte Arbeiten und Zitate
Verwenden Sie stabile Zitierschlüssel und saubere Scholar-Exporte. Prüfen Sie die .bib-Datei mit dem BibTeX-Validator. Zitieren Sie den Code und die Datensätze, auf die Sie sich stützen. Ob Autor-Jahr oder numerisch, hängt von der Konferenz oder Zeitschrift ab; nutzen Sie den Stil der Vorlage und keine Mischform.
Git neben dem Paper
Jede Änderung an der Architektur sollte ein Commit sein, den Sie benennen können. Behandeln Sie Paper und Code als ein Projekt, nicht als zwei getrennte Backup-Gewohnheiten.
Oleafly (öffnet in einem neuen Tab) legt das Paper in ein echtes Git-Repository und bietet daneben einen Editor, der das ganze Projekt kennt, mit Live-Vorschau der Formeln, dateiübergreifenden Verweisen, Vervollständigung von Zitaten und einem PDF mit SyncTeX. Das passt dazu, wie ML-Code ohnehin verwaltet wird. Kombinieren Sie es mit dem Spickzettel, wenn Sie unter Zeitdruck die Syntax vergessen.
Versehen Sie den Commit, der zum Upload bei OpenReview oder CMT passt, mit einem Tag. Sie werden ihn während des Rebuttals brauchen.
Rebuttal und Camera-ready-Fassung
Die Fristen für das Rebuttal sind kurz. Legen Sie einen Branch oder Ordner für „Rebuttal-Experimente“ an, damit Sie den Quelltext des eingereichten PDFs nicht verunreinigen. Für die Camera-ready-Fassung ist oft eine zusätzliche Seite erlaubt; nutzen Sie sie für Klarheit, nicht um jeden fehlgeschlagenen Lauf abzuladen.
Broader Impact und Einschränkungen
Auch wenn die Konferenz oder Zeitschrift einen kurzen Absatz zu gesellschaftlichen Auswirkungen oder Einschränkungen verlangt, schreiben Sie ihn in klarer Sprache. LaTeX rettet keinen vagen Absatz. Legen Sie negative Ergebnisse, hinter denen Sie stehen können, in den Anhang, wenn das Seitenlimit des Hauptteils knapp ist, und sagen Sie im Haupttext, dass Sie das getan haben, damit Reviewer nicht annehmen, Sie hätten sie versteckt.
Bevor Sie hochladen
Prüfen Sie, ob die Notationsübersicht über alle Abschnitte hinweg einheitlich ist, die Haupttabellen lesbar sind (Metriken benannt, ± definiert) und Algorithmen und Abbildungen in der richtigen Reihenfolge zitiert werden. Vergewissern Sie sich, dass die offizielle Klasse innerhalb des Seitenlimits ohne Schriftsünden kompiliert, dass die .bib-Datei sauber ist und Code und Daten zitiert sind und dass für das hochgeladene PDF ein Commit-Hash festgehalten ist.
ML-Experimente sind schon verrauscht genug. Halten Sie Notation und Tabellen ruhig.