点击上方“MLNLP”,选择“星标”公众号
重磅干货,第一时间送达
来源:哈工大讯飞联合实验室
EMNLP(Conference on Empirical Methods in Natural Language Processing)是计算语言学和自然语言处理领域的顶级国际会议,由ACL旗下SIGDAT组织,每年举办一次,Google Scholar计算语言学刊物指标中排名第二。EMNLP 2020将于2020年11月8日-11月12日在多米尼加共和国蓬塔卡纳举行。HFL编辑部针对EMNLP 2020与往届会议的差异点进行了翻译解读。
大会网址:https://2020.emnlp.org/ 
征稿通知:https://2020.emnlp.org/call-for-papers

重要时间

匿名期开始
2020年4月8日
投稿截止(长文和短文)
2020年5月8日
作者论辩环节
2020年7月8日-7月14日
论文接收通知(长文和短文)
2020年8月8日
论文定稿(长文和短文)
2020年8月28日
主会议
2020年11月8日-11月10日
研讨会和讲习班
2020年11月11日-11月12日
所有时间是11:59 PM UTC-12h(编者注:换算为北京时间需要加20个小时)。

论文投稿

此部分与往届EMNLP无显著差异,在这里只给出最重要的相关信息。
【投稿篇幅】
长文:8页+无限页参考文献
短文:4页+无限页参考文献
【关于作者列表】
作者列表中需要(并且只能)添加对于论文工作作出显著贡献的人。EMNLP 2020论文的提交、修改、录用通知将通知到每一个论文作者。需要注意的是,EMNLP 2020截稿日期之后论文作者不能有任何改动(包括增加、删除、修改顺序)。
【关于引用和对比】
你需要引用所有与论文相关的已发表论文。如果一个论文同时存在已发表版本和预印本版本(例如:arXiv),你应该优先引用已发表版本。在截稿日期之前三个月以内的论文(不论是否被正式刊物录用)可以认为是同期论文,所以你可以不与这些论文进行深度的实验分析比较。
【多重投稿政策】
EMNLP 2020不允许接受目前在其他期刊或者会议中正在审稿的论文,并且不允许在EMNLP 2020 审稿期间将提交到EMNLP 2020的论文同时提交到其他期刊或会议。这个政策涉及到所有同行评议的会议和研讨会(例如COLING、NeurIPS、ACL研讨会)。例如,如果你的论文正处于某个ACL研讨会的审稿期,那么就不能再将论文提交到EMNLP 2020。投稿的论文不能与已发表的论文存在较多重复内容。同时,如果一个作者投稿多篇论文到EMNLP 2020,则必须保证论文之间的重叠度不得大于25%。

NEW: 可粘贴过往审稿意见(可选)

如果一篇论文曾经被其他会议拒绝,你可以将上一个版本的论文、审稿意见、作者论辩同时提交给我们。这个操作是可选的,并不强制。这样设计是为了模仿像TACL一样的“修改-重投稿”过程,这次在EMNLP的尝试将预告未来EMNLP以及ACL系列会议可能发生的审稿流程变化。我们预期一篇论文被另外一个会议拒绝并不会导致论文最终被EMNLP拒绝,反而对于那些觉得他们已经解决了过往审稿意见中提出的问题并且可以强烈地阐述论文是如何被修改提升的作者来说可能是一件好事。过往审稿意见不会被EMNLP 2020审稿人看到,但是在做出最终EMNLP录用决定时会考虑这个因素,这主要由领域主席和程序委员会主席用来控制审稿质量,消除审稿人之间的不一致性以及决定处于录用边缘的论文。

NEW: 可复现标准

为了促进可复现性(Reproducibility),在提交论文的同时我们将要求作者回答如下关于可复现性相关的问题。作者不需要满足清单里的所有标准,只需要选择论文已满足的相关标准。审稿人将会参考这些信息来评价论文的可复现性。同时,审稿人也将会被要求在审稿意见中评价论文的可复现性。以下列表是我们初步打算采用的审查标准。
对于所有实验结果:
  • 数学内容、算法、模型的清晰描述
  • 可下载源代码的链接,同时标明所有依赖库以及外部库
  • 所使用的计算设备
  • 每个方法的平均用时
  • 每个模型的参数量
  • 与测试集对应的开发集效果
  • 使用的评价方法以及对应的源代码链接
对于所有带参数搜索的实验:
  • 超参数的搜索范围
  • 最优模型的超参组合
  • 超参搜索次数
  • 选择超参的方法(例如:均匀采样、手动调整等),并且依据何种评价方法进行选择(例如:准确率)
  • 所预期的开发集效果,或者作为超参数搜索次数函数的平均值和方差的另外一个度量方法(具体参考Dodge et al., 2019中的Section 3.1)
对于所有数据集:
  • 提供数据集相关统计数据,例如样本数量
  • 训练/开发/测试划分的细节
  • 提供被移除数据的相关解释以及所有的预处理步骤
  • 可下载的数据集链接
  • 对于新收集的数据,需要描述完整的数据收集过程,例如对于标注者的规范指导以及控制标注质量的方法

推荐阅读:

继续阅读