Files

sinlatansen 2561314174 准备写论文，论文大纲和数据搞定

2026-02-25 20:27:46 +08:00

5.0 KiB

Raw Blame History

好，这一步的目标已经从 “继续做系统” 转为：

冻结仿真平台 → 产出论文级结果 → 图表化 → 可发表材料

下面给你一个专门面向论文产出的执行大纲（给执行 AI 用）。重点不是再改算法，而是把现有 Phase-3.5 数据变成 审稿人可接受的 evidence。

`paper_output_plan.md`

1. 目标（Objective）

将 Phase-3.5 仿真平台输出转换为：

可复现实验结果
标准论文图表
对比表格
统计显著性验证
可直接插入论文的 figures/tables

禁止修改算法逻辑，只允许：

数据采集增强
实验批量运行
可视化
统计分析

2. 输出目录结构（必须固定）

docs/
 └── paper/
     ├── figures/
     │    ├── fig1_topology.png
     │    ├── fig2_pdr_vs_airtime.png
     │    ├── fig3_tx_efficiency.png
     │    ├── fig4_scalability.png
     │    └── fig5_tradeoff_curve.png
     │
     ├── tables/
     │    ├── table1_algorithm_compare.csv
     │    ├── table2_scaling_results.csv
     │    └── table3_efficiency_metrics.csv
     │
     ├── raw_data/
     └── scripts/
          ├── generate_figures.py
          └── aggregate_results.py

3. 实验冻结规则（CRITICAL）

在 config 中增加：

EXPERIMENT_VERSION = "phase3_5_frozen"

要求：

RANDOM_SEED 固定
参数写入 metadata.json
每次实验自动记录：
- git commit hash
- 时间
- 参数集

否则论文不可复现。

4. 必须生成的论文图（核心部分）

Figure 1 — Network Topology

目的：

证明不是 toy example。

内容：

节点位置 scatter
sink 标记
典型 routing tree（gradient）

输出：

fig1_topology.png

Figure 2 — PDR vs Airtime（最重要）

X轴：

airtime_usage (%)

Y轴：

PDR (%)

曲线：

Gradient
Flooding
Random

意义：

证明：

Flooding = resource inefficient

这是整篇论文核心图。

Figure 3 — Energy Efficiency

定义：

TX per Success

柱状图：

algorithm → TX/success

审稿人关注点：

LPWAN energy cost。

Figure 4 — Scalability Test

扫描：

node_count = [6, 9, 12, 15, 18, 24]

Y轴：

PDR
Airtime（双图）

目标：

证明算法随规模变化趋势。

Figure 5 — Tradeoff Frontier（论文加分图）

绘制：

(PDR, Airtime)

散点：

每个实验配置一个点。

形成：

Pareto frontier

这张图非常“论文感”。

5. 必须生成的表格

Table 1 — Algorithm Comparison（主表）

Algorithm	PDR	Airtime	Total TX	TX/Success

来自 Phase-3.5。

Table 2 — Scaling Result

Nodes	Gradient PDR	Flooding PDR	Random PDR

Table 3 — Efficiency Gain

计算：

Efficiency Gain =
(TX_flooding - TX_gradient) / TX_flooding

展示资源节省比例。

6. 实验批量运行规范

新增：

python run_experiments.py --paper

执行：

for seed in [1..20]:
    run experiment

输出：

mean
std
95% CI

论文必须有误差条。

7. 统计要求（很多人忽略）

每个指标输出：

mean ± std

并计算：

t-test(gradient, flooding)

输出：

p-value

目标：

p < 0.05

否则结论不够强。

8. 自动绘图规范

统一：

matplotlib
serif 字体
单色可打印
无背景网格
dpi ≥ 300

尺寸：

3.5 inch (single column)
7 inch (double column)

9. 一键论文数据生成

新增入口：

python generate_paper_results.py

流程：

run experiments
→ aggregate
→ statistics
→ generate tables
→ generate figures

输出全部 paper assets。

10. 自测标准（执行AI必须验证）

生成后检查：

figures ≥ 300dpi
所有图可单独理解
table 数值与 raw_data 一致
重跑结果误差 <5%
seed 改变趋势不变

11. 最终产物（你将得到）

完成后你会拥有：

✔ 5 张论文核心图
✔ 3 个结果表
✔ 可复现实验脚本
✔ 冻结baseline数据

这已经足够支撑：

conference short paper
systems workshop
embedded networking paper

下一步（论文视角）

你接下来不需要工程决策，只需要三件事：

跑 大量 seeds
生成 tradeoff 图
写 Method + Evaluation

5.0 KiB Raw Blame History Unescape Escape

paper_output_plan.md