Нельзя, чтобы у ревьюера возникло чувство, что вы что-то ему недодали. Не провели сравнение с
какими-то методами, не нарисовали картинок, не обсудили некоторые аспекты устройства и
функционирования разных подходов. А то и мошенническим образом утаили часть результатов, чтобы
представить свое изобретение в наиболее выгодном свете.
Нет! Всё, что ни делается, делается ради блага ревьюеров. Пусть они почувствуют вашу заботу. Для этого формулируйте всякого рода недостачи в позитивном ключе.
Допустим, в оригинальной статье приведены метрики, полученные по другому экспериментальному протоколу. Напрямую сравнить нельзя, а код не выложен / код не запускается / результаты не воспроизводятся. Или результаты лучше, чем у вас, но статья официально нигде не опубликована, и вы хотите на голубом глазу притвориться, что вы ее попросту проморгали.
Мы не проводим сравнение с подходами такого-то вида
Чтобы продемонстрировать прирост в качестве, достигаемый при применении предложенного улучшения в наиболее показательном (transparent) сценарии, мы проводим эксперименты только с подходами другого вида
Скажем, на визуализациях видно, что вроде работает, и работает неплохо, но преимущества по сравнению с другими методами не очевидны. И вообще особо ничего не разглядишь в таком масштабе.
Мы не показываем визуализации, потому что они малоинформативны
Количественные сравнения убедительно показывают преимущество нашего подхода над конкурирующими. Что же касается качественных сравнений, то визуализации вы найдете в Supplementary (туда полезут только самые въедливые)
На самом деле по некоторым (пусть и не самым часто используемым) метрикам ваш метод уступает конкурентам.
Мы не приводим значения некоторых метрик
Мы используем стандартные, наиболее часто используемые метрики
По-хорошему, если уж замерять производительность, то для всех моделей – а что-то из раннего творчества уже кануло в лету, и поднимать архивы уже несподручно, а дедлайн близко. Или ваши модели просто сильно уступают конкурентам в производительности, но вам не хотелось бы акцентировать на этом внимание. Да кого это волнует, когда у нас целых +0.5% в точности, и вообще у нас академические научные исследования.
Мы не замеряем скорость инференса модели и количество занимаемой памяти
Мы фокусируемся на повышении точности, точность – наш главный приоритет!
Нет! Всё, что ни делается, делается ради блага ревьюеров. Пусть они почувствуют вашу заботу. Для этого формулируйте всякого рода недостачи в позитивном ключе.
Не проведено сравнение с некоторыми существующими подходами
Допустим, в оригинальной статье приведены метрики, полученные по другому экспериментальному протоколу. Напрямую сравнить нельзя, а код не выложен / код не запускается / результаты не воспроизводятся. Или результаты лучше, чем у вас, но статья официально нигде не опубликована, и вы хотите на голубом глазу притвориться, что вы ее попросту проморгали.
Мы не проводим сравнение с подходами такого-то вида
Чтобы продемонстрировать прирост в качестве, достигаемый при применении предложенного улучшения в наиболее показательном (transparent) сценарии, мы проводим эксперименты только с подходами другого вида
Мало или нет визуализаций
Скажем, на визуализациях видно, что вроде работает, и работает неплохо, но преимущества по сравнению с другими методами не очевидны. И вообще особо ничего не разглядишь в таком масштабе.
Мы не показываем визуализации, потому что они малоинформативны
Количественные сравнения убедительно показывают преимущество нашего подхода над конкурирующими. Что же касается качественных сравнений, то визуализации вы найдете в Supplementary (туда полезут только самые въедливые)
Неполный набор метрик качества
На самом деле по некоторым (пусть и не самым часто используемым) метрикам ваш метод уступает конкурентам.
Мы не приводим значения некоторых метрик
Мы используем стандартные, наиболее часто используемые метрики
Отсутствует анализ производительности модели
По-хорошему, если уж замерять производительность, то для всех моделей – а что-то из раннего творчества уже кануло в лету, и поднимать архивы уже несподручно, а дедлайн близко. Или ваши модели просто сильно уступают конкурентам в производительности, но вам не хотелось бы акцентировать на этом внимание. Да кого это волнует, когда у нас целых +0.5% в точности, и вообще у нас академические научные исследования.
Мы не замеряем скорость инференса модели и количество занимаемой памяти
Мы фокусируемся на повышении точности, точность – наш главный приоритет!