1.fix all table size;2.fix some table max/2nd-max mark error;3.add fig & table caption mark;4.add some ref bibs

chap04.tex

@@ -1,4 +1,4 @@
-% !TeX root = ../main.tex
+% !TeX root = main.tex
 % 第四章 基于位置结构感知的选择性表征适配方法
 \chapter{基于位置结构感知的选择性表征适配方法}
 \label{chap:rosa}
@@ -69,7 +69,7 @@ RoPE的频率结构不仅是数学上的设计选择，更在实际模型中诱
   \hfill
   \subcaptionbox{跨层激活分布\label{fig:ch4_attn_layer}}{%
     \includegraphics[width=0.48\linewidth]{assets/4_AcrossLayer.pdf}}
-  \caption{预训练模型（LLaMA-2-7B）中Query状态的激活强度可视化。通过计算每个注意力头各维度的平均L2范数来量化激活强度。低频维度（高索引）集中了更强的激活，且不同层之间呈现差异化的激活模式，体现了维度级和层级的双重异质性。}
+  \caption[预训练模型（LLaMA-2-7B）中Query状态的激活强度可视化]{预训练模型（LLaMA-2-7B）中Query状态的激活强度可视化。通过计算每个注意力头各维度的平均L2范数来量化激活强度。低频维度（高索引）集中了更强的激活，且不同层之间呈现差异化的激活模式，体现了维度级和层级的双重异质性。}
   \label{fig:ch4_activation}
 \end{figure}
 
@@ -115,7 +115,7 @@ RoPE的频率结构不仅是数学上的设计选择，更在实际模型中诱
 \begin{figure}[htp]
   \centering
   \includegraphics[width=0.85\linewidth]{assets/4_rosa_arch.pdf}
-  \caption{RoSA方法框架图。RoSA由两个核心模块组成：RoPE感知注意力增强（RoAE），选择性增强RoPE影响的Q/K状态中的低频成分；动态层选择（DLS），基于LayerNorm梯度信号动态选择重要层进行更新。}
+  \caption[RoSA方法框架图]{RoSA方法框架图。RoSA由两个核心模块组成：RoPE感知注意力增强（RoAE），选择性增强RoPE影响的Q/K状态中的低频成分；动态层选择（DLS），基于LayerNorm梯度信号动态选择重要层进行更新。}
   \label{fig:ch4_rosa_arch}
 \end{figure}
 
@@ -211,7 +211,7 @@ DLS通过动态识别和适配最关键的层来减少不必要的参数更新
 
 \RestyleAlgo{ruled}
 \begin{algorithm}[htp]
-\caption{RoPE感知的选择性适配（RoSA）训练算法}
+\caption[RoPE感知的选择性适配（RoSA）训练算法]{RoPE感知的选择性适配（RoSA）训练算法}
 \label{alg:ch4_rosa}
 \KwIn{预训练大语言模型$\mathcal{M}$，数据集$\mathcal{D}$，RoAE超参数（$\alpha$, $r_{\text{low}}$），DLS超参数（$k_{\text{ratio}}$, $p_{\text{exploit}}$, $u$），学习率$\eta$，预热步数$T_{\text{warmup}}$}
 使用$\alpha$和$r_{\text{low}}$初始化RoAE模块并集成至$\mathcal{M}$\;
@@ -275,12 +275,12 @@ RoSA的设计具有良好的模块化特性：RoAE和DLS各自独立运作，可
 
 表~\ref{tab:ch4_rosa_common}展示了RoSA与基线方法在常识推理任务上的性能比较。
 
-\begin{table}[htp]
+\begin{table}[!htbp]
     \centering
-    \caption{RoSA与基线方法在常识推理任务上的性能比较。在三种骨干模型上，RoSA在可比参数预算下均取得最优平均性能。*表示相比最优基线的统计显著提升（双侧t检验，$p<0.05$）。}
+    \caption[RoSA与基线方法在常识推理任务上的性能比较]{RoSA与基线方法在常识推理任务上的性能比较。\\在三种骨干模型上，RoSA在可比参数预算下均取得最优平均性能。\\ *表示相比最优基线的统计显著提升（双侧t检验，$p<0.05$）。}
     \label{tab:ch4_rosa_common}
-    \small
     \resizebox{\linewidth}{!}{
+    
         \renewcommand{\arraystretch}{0.96}
         \begin{tabular}{l|lcccccccccc}
             \toprule
@@ -331,12 +331,12 @@ RoSA的设计具有良好的模块化特性：RoAE和DLS各自独立运作，可
 
 表~\ref{tab:ch4_rosa_math}展示了RoSA在Qwen2.5-7B上数学推理任务的结果。
 
-\begin{table}[htp]
+\begin{table}[!htbp]
     \centering
-    \caption{RoSA与基线方法在Qwen2.5-7B上数学推理任务的性能比较。}
+    \caption[RoSA与基线方法在Qwen2.5-7B上数学推理任务的性能比较]{RoSA与基线方法在Qwen2.5-7B上数学推理任务的性能比较。}
     \label{tab:ch4_rosa_math}
-    \small
     \resizebox{\linewidth}{!}{
+    
         \renewcommand{\arraystretch}{0.95}
         \begin{tabular}{lccccccccc}
             \toprule
@@ -362,11 +362,11 @@ RoSA的设计具有良好的模块化特性：RoAE和DLS各自独立运作，可
 
 表~\ref{tab:ch4_rosa_scale}展示了RoSA在不同规模Qwen2.5模型上的可扩展性。
 
-\begin{table}[htp]
+\begin{table}[!htbp]
     \centering
-    \caption{RoSA在不同规模Qwen2.5模型上常识推理任务的可扩展性比较。}
+    \caption[RoSA在不同规模Qwen2.5模型上常识推理任务的可扩展性比较]{RoSA在不同规模Qwen2.5模型上常识推理任务的可扩展性比较。}
     \label{tab:ch4_rosa_scale}
-    \small
+    
     \begin{tabular}{lcccc}
         \toprule
         \textbf{方法} & \textbf{0.5B} & \textbf{1.5B} & \textbf{3B} & \textbf{7B} \\
@@ -387,11 +387,11 @@ RoSA的设计具有良好的模块化特性：RoAE和DLS各自独立运作，可
 
 表~\ref{tab:ch4_rosa_ablation}展示了RoSA各组件的消融分析，在Qwen2.5-7B常识推理任务上进行。
 
-\begin{table}[htp]
+\begin{table}[!htbp]
     \centering
-    \caption{RoSA消融实验结果（Qwen2.5-7B常识推理Micro-Avg）。}
+    \caption[RoSA消融实验结果（Qwen2.5-7B常识推理Micro-Avg）]{RoSA消融实验结果（Qwen2.5-7B常识推理Micro-Avg）。}
     \label{tab:ch4_rosa_ablation}
-    \small
+    
     \begin{tabular}{lc}
         \toprule
         \textbf{变体} & \textbf{Micro-Avg$\uparrow$} \\
@@ -412,7 +412,7 @@ RoSA的设计具有良好的模块化特性：RoAE和DLS各自独立运作，可
 \begin{figure}[htp]
   \centering
   \includegraphics[width=0.45\linewidth]{assets/4_dls_sensitivity.pdf}
-  \caption{RoSA中层选择比例$k_{\text{ratio}}$的敏感性分析。}
+  \caption[RoSA中层选择比例$k_{\text{ratio}}$的敏感性分析]{RoSA中层选择比例$k_{\text{ratio}}$的敏感性分析。}
   \label{fig:ch4_dls_sensitivity}
 \end{figure}
 
@@ -426,7 +426,7 @@ RoSA的设计具有良好的模块化特性：RoAE和DLS各自独立运作，可
 \begin{figure}[htp]
   \centering
   \includegraphics[width=0.6\linewidth]{assets/4_layer_selection.pdf}
-  \caption{RoSA训练过程中各层被DLS选择的频率可视化（Qwen2.5-7B）。}
+  \caption[RoSA训练过程中各层被DLS选择的频率可视化（Qwen2.5-7B）]{RoSA训练过程中各层被DLS选择的频率可视化（Qwen2.5-7B）。}
   \label{fig:ch4_layer_sel}
 \end{figure}