返回: SKILL.md
学术润色的目标是在保持学术规范的前提下，提升表达的精准性、规范性和可读性。
三维提升:
- 精准性: 消除模糊表述，量化抽象概念
- 规范性: 术语一致、时态规范、格式统一
- 可读性: 逻辑清晰、过渡自然、结构合理
模糊词汇替换表:
| 模糊表述 | 精准替换 | 示例 |
|---|---|---|
| 很多 | 大量/众多/N个 | "很多数据集" → "9个公开数据集" |
| 比较好 | 优异/显著提升 | "效果比较好" → "MSE降低5.0%" |
| 一些 | 若干/部分/具体列举 | "一些方法" → "Informer、Autoformer等方法" |
| 可能 | 倾向于/往往 | "可能导致" → "倾向于导致" |
| 大概 | 约/估计 | "大概100个" → "约100个" |
❌ 模糊表述:
实验表明该方法效果很好，在很多数据集上都取得了比较好的结果。
✅ 精准表述:
实验表明，该方法在9个公开数据集上取得了显著性能提升，平均MSE降低5.0%，
在ETTh1和Electricity数据集上分别实现了4.8%和6.7%的误差降幅。
量化策略:
- 性能提升 → 具体指标+百分比
- 显著改善 → 统计显著性检验结果
- 广泛应用 → 具体领域列举
- 复杂度高 → 具体时间/空间复杂度
❌ 抽象表述:
该方法计算复杂度较低，适合大规模场景。
✅ 量化表述:
该方法的时间复杂度为O(L log L)，相比标准Transformer的O(L²)降低了一个数量级，
使其能够高效处理长度超过10,000的序列。
逻辑连接词分类:
| 逻辑关系 | 连接词 | 使用场景 |
|---|---|---|
| 因果 | 因此/由此/基于此 | 推导结论 |
| 转折 | 然而/但是/尽管如此 | 对比差异 |
| 递进 | 进一步/更重要的是/此外 | 深化论述 |
| 并列 | 同时/另一方面/与此同时 | 平行关系 |
| 总结 | 综上所述/总体而言 | 归纳总结 |
❌ 缺乏连接:
MV-FDE模块分解输入信号。SAM模块调制注意力权重。两者协同工作。
✅ 强化连接:
MV-FDE模块首先分解输入信号，为后续处理提供更清晰的表示。在此基础上，
SAM模块进一步调制注意力权重，实现精准聚焦。这种"重构-增强"的协同设计
使得模型能够有效缓解注意力稀释问题。
常见不一致问题:
| 问题类型 | 错误示例 | 正确做法 |
|---|---|---|
| 中英混用 | "时间序列预测"和"time series forecasting"混用 | 统一使用中文或英文 |
| 缩写不统一 | "MTSF"和"多变量时间序列预测"混用 | 首次出现全称+缩写，后续统一 |
| 译名不统一 | "注意力机制"和"注意力方法"混用 | 确定标准译名 |
术语表建立:
| 英文术语 | 标准中文译名 | 缩写 |
|---|---|---|
| Multivariate Time Series Forecasting | 多变量时间序列预测 | MTSF |
| Attention Mechanism | 注意力机制 | - |
| Knowledge Distillation | 知识蒸馏 | KD |
学术论文时态规则:
| 内容类型 | 时态 | 示例 |
|---|---|---|
| 研究背景/现状 | 一般现在时 | "Transformer具有强大的建模能力" |
| 本文工作 | 一般现在时 | "本文提出AdapTFormer模型" |
| 实验过程 | 一般过去时 | "我们在9个数据集上进行了实验" |
| 实验结果 | 一般过去时 | "实验表明该方法取得了优异性能" |
| 结论展望 | 一般现在时/将来时 | "本文为...提供了新思路" |
❌ 时态混乱:
Transformer具有强大能力。本文提出了AdapTFormer。实验表明该方法有效。
✅ 时态规范:
Transformer具有强大的全局建模能力（现在时-现状）。本文提出AdapTFormer模型（现在时-本文工作），
通过分解增强注意力机制缓解注意力稀释问题。实验表明（过去时-实验结果），
该方法在9个数据集上取得了显著性能提升。
LaTeX格式规范:
- 公式编号：重要公式使用
\begin{equation}，行内公式使用$...$ - 图表引用：使用
\ref{fig:xxx}而非手动编号 - 术语强调：首次出现使用
\textbf{}或斜体 - 引用格式：统一使用
\cite{}
❌ 格式不统一:
如图1所示，MSE为0.245。根据公式(2.1)...
✅ 格式统一:
如图\ref{fig:performance}所示，MSE为0.245。根据公式\ref{eq:attention}...
拆分原则: 单句超过50字且包含多个从句时，考虑拆分
❌ 过长复杂句:
本文提出的AdapTFormer模型通过MV-FDE模块在输入阶段分解时间序列为趋势和残差成分，
并通过SAM模块在注意力计算时动态调制权重，从而实现了对注意力稀释问题的有效缓解，
在9个公开数据集上取得了显著性能提升。(92字)
✅ 拆分后:
本文提出AdapTFormer模型以缓解注意力稀释问题。(21字) 该模型包含两个核心组件：
MV-FDE模块在输入阶段分解时间序列为趋势和残差成分，SAM模块在注意力计算时
动态调制权重。(50字) 在9个公开数据集上的实验表明，AdapTFormer取得了
显著性能提升。(29字)
段落结构模板:
[主题句] - 明确段落中心思想
[支撑句1] - 提供论据/细节
[支撑句2] - 进一步论证
[过渡句] - 连接下一段落
❌ 结构混乱:
Transformer很强大。但有问题。本文提出新方法。实验效果好。
✅ 结构清晰:
[主题句] Transformer凭借其强大的全局建模能力已成为时间序列预测的主流架构。
[支撑句1] 然而，在长序列多变量场景下，标准注意力机制面临严重的注意力稀释问题。
[支撑句2] 具体而言，模型倾向于将注意力权重近乎均匀地分配到所有时间步和变量上，
难以聚焦关键依赖关系。
[过渡句] 为解决这一问题，本文提出AdapTFormer模型。
章节间过渡:
❌ 生硬过渡:
第2章介绍相关工作。第3章介绍本文方法。
✅ 自然过渡:
第2章系统综述了时间序列预测领域的相关工作，分析了现有方法的优势与局限，
为本文工作提供理论基础。在此基础上，第3章详细介绍本文提出的AdapTFormer方法，
阐述其设计理念和技术细节。
段落间过渡:
使用过渡词/句连接相邻段落：
- "基于上述分析..."
- "与...不同，本文..."
- "为了验证...，我们..."
原文（需要润色）:
时间序列预测很重要。Transformer方法很好但有问题。本文提出了新方法解决问题。
实验效果不错。
润色后:
时间序列预测在能源调度、交通管理等关键领域发挥着不可替代的作用，准确的
预测结果直接关系到系统的稳定运行和资源的高效配置。近年来，Transformer
凭借其强大的全局建模能力已成为该领域的主流架构。然而，在长序列多变量
预测场景下，标准注意力机制面临严重的注意力稀释问题——模型难以聚焦关键
依赖关系，导致预测精度显著下降。针对这一挑战，本文提出AdapTFormer模型，
采用"重构-增强"的设计理念系统性地解决注意力稀释问题。在9个公开数据集上的
广泛实验表明，AdapTFormer在绝大多数场景下取得最优或次优性能，MSE平均
降低5.0%，充分验证了方法的有效性。
润色要点:
- 消除模糊词（"很重要"→具体说明重要性）
- 量化结果（"效果不错"→"MSE降低5.0%"）
- 强化逻辑连接（添加"然而"、"针对"、"在...基础上"）
- 优化段落结构（主题-问题-方法-结果）
润色完成后，使用以下清单自查：
- 无模糊表述（"很多"、"比较"、"一些"）
- 关键数据已量化
- 逻辑连接词使用恰当
- 术语使用一致
- 时态语态正确
- LaTeX格式统一
- 引用格式规范
- 无过长复杂句（>50字）
- 段落结构清晰
- 章节过渡自然
- 层次分明
Tip
润色的度
润色应提升表达质量，但避免过度修饰：
- ✅ 消除模糊，增强精准
- ✅ 规范术语，统一格式
- ✅ 优化结构，提升可读性
- ❌ 过度华丽的修辞
- ❌ 冗余的形容词堆砌
- ❌ 破坏学术简洁性
Important
学术论文的语言风格
学术论文应追求：
- 准确性 > 文学性
- 简洁性 > 华丽性
- 逻辑性 > 感染力
- 规范性 > 个性化
- 重点：精准、简洁、完整
- 避免：模糊表述、冗余信息
- 重点：逻辑清晰、过渡自然
- 避免：跳跃性叙述、缺乏铺垫
- 重点：分类清晰、评述客观
- 避免：简单罗列、缺乏总结
- 重点：技术细节准确、设计理念清晰
- 避免：过于抽象、缺乏动机说明
- 重点：数据详实、分析深入
- 避免：堆砌数字、缺乏解读
- 重点：贡献明确、展望合理
- 避免：过度夸大、空洞展望