sci論文寫作常用的形容詞合集

Sci期刊收錄的文章大部分都是英文的，對於我們國內的作者來說寫論文時會被自己的詞彙量所擊敗，為了能讓作者更順利的撰寫論文，在這給大家分享sci論文常用的形容詞合集，僅供參考。

sci論文常用形容詞

1。 vanilla： adj。 普通的， 尋常的， 毫無特色的。 ordinary； not special in any way。

2。 crucial： adj。 至關重要的， 關鍵性的。

3。 parsimonious：adj。 慳吝的， 吝嗇的， 小氣的。

e。g。 Due to the underlying hyperbolic geometry， this allows us to learn parsimonious representations of symbolic data by simultaneously capturing hierarchy and similarity。

4。 diverse： adj。 不同的， 相異的， 多種多樣的， 形形色色的。

5。 intriguing： adj。 非常有趣的， 引人入勝的； 神秘的。 *intrigue： v。 激起…的興趣， 引發…的好奇心； 秘密策劃（加害他人）， 密謀。

e。g。 The results of this paper carry several intriguing implications。

6。 intimate： adj。 親密的； 密切的。 v。透露； （間接）表示， 暗示。

e。g。 The above problems are intimately linked to machine learning on graphs。

7。 akin： adj。 類似的， 同族的， 相似的。

e。g。 Akin to GNN， in LOCAL a graph plays a double role： 。。。

8。 abundant： adj。 大量的， 豐盛的， 充裕的。

9。 prone： adj。 有做（壞事）的傾向； 易於遭受…的； 俯臥的。

e。g。 It is thus prone to oversmoothing when convolutions are applied repeatedly。

10。concrete： adj。 混凝土製的； 確實的， 具體的（而非想象或猜測的）； 有形的； 實在的。

e。g。 。。。 as a concrete example 。。。

e。g。 More concretely， HGCN applies the Euclidean non-linear activation in。。。

11。 plausible： adj。 有道理的； 可信的； 巧言令色的， 花言巧語的。

e。g。 。。。 this interpretation may be a plausible explanation of the success of the recently introduced methods。

12。 ubiquitous： adj。 似乎無所不在的；十分普遍的。

e。g。 While these higher-order interac- tions are ubiquitous， an evaluation of the basic properties and organizational principles in such systems is missing。

13。 disparate： adj。 由不同的人（或事物）組成的；迥然不同的；無法比較的。

e。g。 These seemingly disparate types of data have something in common： 。。。

14。 profound： adj。 巨大的； 深切的， 深遠的； 知識淵博的； 理解深刻的；深邃的， 艱深的； 玄奧的。

e。g。 This has profound consequences for network models of relational data — a cornerstone in the interdisciplinary study of complex systems。

15。 blurry： adj。 模糊不清的。

e。g。 When applying these estimators to solve （2）， the line between the critic and the encoders g1，g2 can be blurry。

16。 amenable： adj。 順從的； 順服的； 可用某種方式處理的。

e。g。 Ou et al。 utilize sparse generalized SVD to generate a graph embedding， HOPE， from a similarity matrix amenableto de- composition into two sparse proximity matrices。

17。 elaborate： adj。 複雜的；詳盡的；精心製作的 v。詳盡闡述；詳細描述；詳細制訂；精心製作

e。g。 Topic Modeling for Graphs also requires elaborate effort， as graphs are relational while documents are indepen- dent samples。

18。 pivotal： adj。 關鍵性的；核心的

e。g。 To ensure the stabilities of complex systems is of pivotal significance toward reliable and better service providing。

19。 eminent： adj。 卓越的，著名的，顯赫的；非凡的；傑出的

e。g。 To circumvent those defects， theoretical studies eminently represented by percolation theories appeared。

20。 indispensable： adj。 不可或缺的；必不可少的 n。 不可缺少的人或物

e。g。 However， little attention is paid to multipartite networks， which are an indispensable part of complex networks。

21。 post-hoc： adj。 事後的

e。g。 Post-hoc explainability typically considers the question “Why the GNN predictor made certain prediction？”。

22。 prevalent： adj。 流行的；盛行的；普遍存在的

e。g。 A prevalent solution is building an explainer model to conduct feature attribution

23。 salient： adj。 最重要的；顯著的；突出的。 n。 凸角；［建］突出部；<軍>進攻或防衛陣地的突出部分

e。g。 It decomposes the prediction into the contributions of the input features， which redistributes the probability of features according to their importance and sample the salient features as an explanatory subgraph。

24。 rigorous： adj。 嚴格縝密的；嚴格的；謹慎的；細緻的；徹底的；嚴厲的

e。g。 To inspect the OOD effect rigorously， we take a causal look at the evaluation process with a Structural Causal Model。

25。 substantial： adj。 大量的；價值巨大的；重大的；大而堅固的；結實的；牢固的。 substantially： adv。 非常；大大地；基本上；大體上；總的來說

26。 cogent： adj。 有說服力的；令人信服的

e。g。 The explanatory subgraph Gs emphasizes tokens like “weak” and relations like “n’t→funny”， which is cogent according to human knowledge。

27。 succinct： adj。 簡練的；簡潔的 succinctly： adv。 簡而言之，簡明扼要地

28。 concrete： adj。 混凝土製的；確實的，具體的（而非想象或猜測的）；有形的；實在的 concretely： adv。 具體地；具體；具體的；有形地

29。 predominant：adj。 主要的；主導的；顯著的；明顯的；盛行的；佔優勢的

30。 de facto： adj。 實際上存在的（不一定合法） adv。 實際上，事實上

e。g。 GNNs， inheriting from the power of neural networks， have recently become the de facto standard for machine learning with graph-structured data。