
欢迎探索Machine Learning期刊系列新文章类型
我们很高兴地宣布,Machine Learning期刊系列现已推出全新的文章类型,旨在促进科研的透明性、协作性与可复现性。 挑战类文章(Challenges):记录由学术社群主导、协作开展的研究计划,旨在解决具有影响力的科学问题。这类文章重点介绍新算法、数据集或工作流程的开发,并强调问题解决中的开放性与可复现性方法。 数据集文章(Dataset Articles):介绍新整理的数据集或对已有数据集的重要更新。这些数据集需托管于经过认证的存储库中,文章将详尽描述数据的收集、处理与格式化过程重点介绍可复用的数据集,帮助其他研究人员理解和使用数据,而非用于验证假设或提出新解读。 基准类文章(Benchmarks):对模型、算法或软件工具在标准问题或数据集上的表现进行严格的对比分析。这类文章评估性能指标,并指出不同方案的优劣。 您可以此处链接,探索这些新文章类型,紧跟可复现、数据驱动科研的前沿趋势。 文章示例 以下为已发表于Machine Learning Science and Technology期刊的部分示例: 挑战类文章(Challenges): The OpenLAM Challenges: LAM Crystal Philately competition 数据集文章(Dataset Articles): ChemLit-QA: a human evaluated dataset for chemistry RAG tasks Aspen Open Jets: Unlocking LHC Data for Foundation Models in Particle Physics 基准类文章(Benchmarks): Machine-learning-assisted Monte Carlo fails at sampling computationally hard...