El artículo de un autor fue rechazado de un taller por sonar más a informe técnico que a artículo de investigación, a pesar de seguir el formato habitual de visión por computadora. Busca la opinión de la comunidad para entender los errores comunes que conducen a tal evaluación.
El usuario pregunta si hay una mayor presión sobre los Area Chairs (ACs) en ICML para asegurar que los revisores proporcionen justificaciones finales y lleguen a un consenso. Observa una disparidad, viendo un compromiso activo de los ACs y justificaciones finales para los artículos que revisó, pero un silencio total y justificaciones faltantes para su propia presentación, a pesar de mostrar cierta desacuerdo en las puntuaciones.
El usuario está considerando pasar de conferencias a revistas de ML debido a malas experiencias con el proceso de revisión, buscando alternativas a JMLR y TMLR. Pregunta sobre la selectividad y calidad de revistas como Neurocomputing y Neural Networks, a pesar de ser consideradas Q1 en el mundo de ML orientado a conferencias.
Un usuario busca orientación sobre cómo anonimizar repositorios de código para presentaciones en conferencias de IA/ML. Pregunta si crear una cuenta de GitHub anónima separada es una práctica común.
Un investigador pregunta si debería dejar de compartir código en las presentaciones a conferencias de ML, como NIPS, debido a temores de robo de ideas, proponiendo publicarlo solo después de la aceptación. Menciona que los revisores a menudo esperan el código, pero que algunas presentaciones recientes sin él no fueron penalizadas.
Un usuario observa que la duración del estado "en espera" para las entregas a arXiv ha aumentado significativamente, de un par de días a unas dos semanas. Especula que esto se debe a una inundación de artículos de baja calidad generados por IA y pregunta si otros están experimentando el mismo problema.
Los artículos de investigación de IA están mejorando, lo que representa un gran problema para los científicos. Un artículo de 2017 sobre análisis estadístico de datos epidemiológicos recibió un número inusualmente alto de citas recientes, lo que llevó a un profesor a investigar su validez.
ArXiv prohibirá por un año a los investigadores que suban artículos con "evidencia incontrovertible" de resultados de LLM no verificados, como referencias alucinadas. Las futuras presentaciones de estos autores también requerirán la aceptación de una publicación revisada por pares.
Este artículo propone un marco de certificación de dos capas para publicaciones, que separa la evaluación de la calidad del conocimiento de la contribución humana en la investigación impulsada por IA. Esto permite que los sistemas de publicación gestionen el trabajo generado por pipelines de manera consistente y transparente, categorizando las contribuciones.
Este documento argumenta en contra del uso de los sistemas de IA actuales para la revisión por pares, señalando dos problemas críticos: un "efecto de colmena" que reduce la diversidad de perspectivas y la facilidad con la que se pueden manipular las puntuaciones de las revisiones de IA mediante la reescritura de trabajos. La comparación empírica de revisiones humanas y generadas por IA demuestra que los revisores de IA son susceptibles a cambios estilísticos, no al mérito científico, lo que subraya la necesidad de no ser manipulable y de la diversidad para la automatización.
Um usuário enfrentou um erro de 'Corrupt PDF: Parser error' ao validar um manuscrito para submissão no CVPR usando o IEEE PDF eXpress, apesar de seguir as regras de formatação, e está buscando ajuda.
Un usuario plantea preocupaciones sobre una supuesta red china influyente en conferencias de IA (como IJCAI) que practica nepotismo y rechaza artículos de autores no chinos. El autor comparte una experiencia personal donde un revisor exigió una cita a un artículo de un autor principal chino.
El título sugiere una discusión sobre cómo la 'cultura de la lotería de conferencias' podría estar perjudicando la calidad de la investigación. Aborda la preocupación de que el proceso de selección en conferencias afecta negativamente el progreso científico.