Files
paper-atlas/docs/icassp2026-registry.md
T
codex-bot 564821d883
Metadata integrity checks / metadata (push) Successful in 3m31s
Add frozen ICASSP 2026 registry collector with explicit census exclusions
2026-11-17 19:12:24 +08:00

4.0 KiB
Raw Blame History

ICASSP 2026 注册元数据采集

这是长期维护项目中的可重复运行采集器,按需离线处理冻结的公开元数据;不会启动数据库导入、联网或下载论文 PDF。命令仅输出待身份审查的来源版本。

输入与使用

2026-11-17 在数据服务器采集 Crossref 公开 REST API。先从正式节目表抽查的两篇标题确定注册会议名称和 DOI 前缀,再依据 IEEE DOI 前缀、proceedings-article 类型及注册的活动开始日期 2026-05-03 分页获取;日期过滤并不意味着所有结果都属于 ICASSP。

需要服务器 /data/paper-index/collected/icassp2026-registry-capture-v1 下的 manifest.json 与 page-001.json 至 page-010.json。将其父目录传给:

paper-atlas collect icassp2026-registry \
  --snapshots /data/paper-index/collected \
  --out /data/paper-index/collected/icassp2026-normalized-<new-run>

输出目录必须不存在。复跑前先检查原任务和产物,不能覆盖成功或失败输出。采集器验证固定清单 SHA256、全部页面原始字节、HTTP 回执、时区、页面数量、总数及唯一 DOI,再生成 JSONL、导入格式的部分覆盖清单、全部原始来源证据和采集报告。导入格式不代表身份审查通过;本命令批准导入数始终为零。

数据范围

  • 10 页共有 4,645 个唯一 DOI;56 个属于 ICPEA,明确排除。
  • ICASSP 的 4,589 个注册条目中,7 个是封面、目录、作者索引、委员会和审稿人名单;依据已审查的准确 DOI、标题和页码排除,不以“没有作者”泛化排除论文。
  • 剩余 4,582 条论文全部缺少注册摘要,输出 null。保留完整注册字段、作者顺序、机构、原始标题、日期及原始来源哈希。
  • 23 个作者条目只提供单个姓名字段,原样保留并标记;不猜测名字拆分、拼音边界或人物别名。
  • accepted 表示已登记在该会议论文集中的发表观察,并非原始签名录用决定。DOI 用 publication_doi,不复制先前投稿系统的 ID。
  • track 为 proceedings_unclassified,不从技术主题推断 main、special session、workshop 或研究类型;没有自造标签。

正式节目表有 4,589 个编号和标题,与注册条目不是已证明的一一对应关系。独立标题规范化比较得到 4,415 个来源候选和 174 个未匹配节目标题;标题匹配不是作品身份批准,未匹配不等于拒稿、撤稿或未发表。节目表作者与注册作者的版本也不应自动拼接。

注册活动日期为 5 月 3–8 日,会议网站为 5 月 4–8 日,两者原始值均保留。Crossref 记录中的链接只是原始字段,不会访问 PDF。IEEE Open Preview 入口读取遇到 HTTP 418,未绕过访问限制。公开拒稿元数据是否可得仍为 unknown,本批不是拒稿覆盖证明,也不是第 14 项整体完成证明。

证据与恢复

注册来源清单 SHA256:1f8ffa040b1f682a4b65f476f4115cb95629056d8de5c324c8417d823846ae93。

原始证据恢复包在服务器 /data/paper-index/validation/icassp2026-registry-capture-v1-recovery.tar.gz,本地备份位于 /Users/zzyang/Documents/Codex/2026-11-06/paper-index/ 同名文件,SHA256 为 cdc506e95800fb8d37ed87f85740e96f56150f2d96daa971de21a5a7a9ab8388。安全解包并核验后使用上述命令;测试夹具也冻结了全部 10 页及独立论文清单,供远程 CI 验证。

本批还需生产规范化验收、数据库当前 DOI/作品关联及历次投稿审查。所有导入结束后仍须执行全库去重、覆盖、摘要和历史完整性审计。编译、打包及测试均交给用户指定的 ces-control:host runner。

参考:Crossref 筛选器文档、正式录用标题表、会议日程、发表和展示类型说明。