共计 2098 个字符，预计需要花费 6 分钟才能阅读完成。
动动发财的小手，点个赞吧！
本文的目标是与研究生分享一些对于在期刊和会议上发表文章的指南。这是基于我过来作为博士生的教训。我的一篇 AI（深度学习）论文最近在 Google Scholar 中被援用了 1000 次。依据 Web of Science™ 数据库，只有约 0.026% 的论文被援用次数超过 1k。尽管很快乐看到论文发表后的影响，但论文被承受之前经验了大量的重复试验。这篇论文被回绝了屡次，花了几年工夫，在承受之前经验了屡次迭代。我试图将我在这里的学习提炼成一个有领导的过程。心愿以下指南对您的出版之旅有所帮忙。
问题
发表论文很难，特地是如果你的学校要求提交给高影响力的期刊 / 会议。大多数博士课程都有发表要求，这甚至可能成为推延毕业的起因。
指标
- 缩短发论文的工夫
- 放大论文的影响力
路线
以下是我的一些教训，您可能会发现它们有助于加重出版带来的压力。打个比方，我认为开办一家初创公司和博士论文发表过程有一些共同点。两者最后的将来都不确定，但最终都可能在各自畛域做出新的奉献。就像初创公司一样，您的公布过程须要考察、愿景、策略、迭代和公布。我的想法依照雷同的程序组织如下。
调研
浏览您要公布的畛域的最新技术。请记住，您正在尝试增加到曾经存在的内容中。许多出版物都是凋谢获取的，因而查找无关最新钻研的论文应该不是问题。另外，你的大学也应该可能为你提供必要的拜访权限。Google Scholar 和 ResearchGate 是很棒的开源资源。鉴于技术和科学研究倒退如此之快，我也会在 LinkedIn、Twitter 和相似网站上关注您钻研畛域的顶尖钻研人员和公司，以获取最新动静。如果实用，我还会摸索统计数据和数据存储库以进行探索性剖析。依据考察的进度，倡议的数量从每周浏览 1 到 7 篇论文以筹备文献综述和在考察中蕴含 / 援用 30 到 200 篇论文不等。
愿景
考察完结后，制订您想要公布的主题的愿景。初创公司从它打算解决的问题开始。创始人制订了与他们以及他们打算解决的问题统一的愿景。为了帮忙找到适宜本人的匹配项，请从以下问题开始：
- 您的学习 / 业余畛域有哪些未解决的问题？例如，这个是一个很好的参考列表，用于解决各个学科中未解决的问题。
- 考察论文中探讨了哪些沉闷的钻研畛域？
- 在资格预审课程中，哪门课程最让您兴奋？
- 您的参谋的业余畛域是什么？
尝试从下面维恩图中至多有三个重叠的区域中抉择主题。撰写摘要并从您的参谋那里取得反馈。确保它包含您的次要指标和拟议的论文纲要。反馈越要害，这个阶段须要的调整就越多。
策略
在初创公司的初始阶段，其次要指标是进行试验、最大限度地学习并着手构建市场理论须要的新鲜产品，即找到难以捉摸的产品市场契合点。在您的状况下，这将登陆出版物，即纸质出版物适宜。两者都须要策略。
在制订策略之前，请思考以下事项：
- 您能够为出版工作投入多少工夫和精力？您将如何均衡其余承诺？
- 你的参谋有多少工夫来领导你？尝试看看您是否能够与您的参谋建设经常性的接触根底。
- 您取得必要的出版物毕业的指标工夫是什么时候？确保这是事实的。
- 你如何治理压力？请留神，北美约有 50% 的博士候选人在取得学位之前就辍学了。您将须要某种类型的生存技巧能力取得博士学位。
一旦你弄清楚了这些问题并做了一些回顾，想出一个出版策略，包含：
- 论文题目 / 问题
- 文章类型
迭代
一旦你和你的参谋在策略 / 重点上达成统一，就开始你的钻研并尝试达到你有货色能够展现的境地（也就是 MVP 或守业术语中的最小可行产品）。一旦你有了 MVP 论文，就能够提交给难度范畴较高但审稿周期较短的期刊 / 会议。更短的审查周期让您能够更快地迭代和合并反馈，并在须要时更快地调整策略。
不要因回绝而灰心，而是应用批评（或严格）的反馈来对您的论文和 / 或策略进行大胆的更改。确保您正在评估、回应和整合审阅者提供的反馈 / 差距。回绝反馈是一种祝愿，也是该过程的重要组成部分。将其视为训练 AI 模型。人工神经网络的权重依据训练过程中标记 / 训练数据的反馈进行调整。如下图所示，这些调整最后较高，当您靠近论文发表拟合（或 AI/ML 中的全局最小值）时逐步缩小。
抉择与您的论文钻研相符的期刊 / 会议，并仔细阅读投稿指南。没有什么比期待几个月的反馈更蹩脚的了，后果才晓得你提交的论文不能被思考，因为它不合乎期刊 / 会议的主题，或者你错过了一个重要的提交步骤。如果实用，这将有助于钻研您提交给期刊 / 会议的过来论文，并从这些论文中援用相干工作。此外，如果您的合著者（例如，参谋）在某些期刊上发表过胜利的论文，也请尝试一下。
调整
随着回绝起因变得不那么重要，您将逐步把握使您在几次迭代后更靠近发表的过程。达到那里可能须要很长时间。请留神，您的第一份出版物很可能是最艰难的并且破费的工夫最长。
在机器学习中，有一种称为迁徙学习的技术，您能够将解决一个工作中取得的常识利用到另一个相干工作中，同时缩小学习工作量。就像那样，从您的第一个出版物中取得的所有通过验证的学习将十分有助于放慢您的第 2、3 次和后续出版物的速度。
更快的反馈周期和迭代是要害。利用它来取得必要数量的出版物。保持适宜您的办法，并持续学习和调整流程以取得更有影响力的出版物。祝你好运！
本文由 mdnice 多平台公布
