对AI领域的会议的评点
生活随笔
收集整理的這篇文章主要介紹了
对AI领域的会议的评点
小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.
對AI領域的會議的評點
注: 本文為小百合BBS的daniel所寫
The First Class:
今天先談談AI里面tier-1的conferences, 其實基本上就是AI里面大家比較公認的top conference. 下面同分的按字母序排列.
IJCAI (1+): AI最好的綜合性會議, 1969年開始, 每兩年開一次, 奇數(shù)年開. 因為AI實在太大, 所以雖然每屆基本上能錄100多篇（現(xiàn)在已經到200多篇了），但分到每個領域就沒幾篇了，象machine learning、computer vision這么大的領域每次大概也就10篇左右, 所以難度很大. 不過從錄用率上來看倒不太低,基本上20%左右, 因為內行人都會掂掂分量, 沒希望的就別浪費reviewer的時間了. 最近中國大陸投往國際會議的文章象潮水一樣, 而且因為國內很少有能自己把關的研究組, 所以很多會議都在complain說中國的低質量文章嚴重妨礙了PC的工作效率. 在這種情況下, 估計這幾年國際會議的錄用率都會降下去. 另外, 以前的IJCAI是沒有poster的, 03年開始, 為了減少被誤殺的好人, 增加了2頁紙的poster.值得一提的是, IJCAI是由貌似一個公司"IJCAI Inc."主辦的(當然實際上并不是公司, 實際上是個基金會), 每次會議上要發(fā)幾個獎, 其中最重要的兩個是IJCAI Research Excellence Award 和 Computer & Thoughts Award, 前者是終身成就獎, 每次一個人, 基本上是AI的最高獎(有趣的是, 以AI為主業(yè)拿圖靈獎的6位中, 有2位還沒得到這個獎), 后者是獎給35歲以下的青年科學家, 每次一個人. 這兩個獎的獲獎演說是每次IJCAI的一個重頭戲.另外, IJCAI 的 PC member 相當于其他會議的area chair, 權力很大, 因為是由PC member去找 reviewer 來審, 而不象一般會議的PC member其實就是 reviewer. 為了制約這種權力, IJCAI的審稿程序是每篇文章分配2位PC member, primary PC member去找3位reviewer, second PC member 找一位.
AAAI (1): 美國人工智能學會AAAI的年會. 是一個很好的會議, 但其檔次不穩(wěn)定, 可以給到1+, 也可以給到1-或者2+, 總的來說我給它"1". 這是因為它的開法完全受
IJCAI制約: 每年開, 但如果這一年的IJCAI在北美舉行, 那么就停開. 所以, 偶數(shù)年里因為沒有IJCAI, 它就是最好的AI綜合性會議, 但因為號召力畢竟比IJCAI要小一些, 特別是歐洲人捧AAAI場的比IJCAI少得多(其實亞洲人也是), 所以比IJCAI還是要稍弱一點, 基本上在1和1+之間; 在奇數(shù)年, 如果IJCAI不在北美, AAAI自然就變成了比IJCAI低一級的會議(1-或2+), 例如2005年既有IJCAI又有AAAI, 兩個會議就進行了協(xié)調, 使得IJCAI的錄用通知時間比AAAI的deadline早那么幾天, 這樣IJCAI落選的文章以投往AAAI.在審稿時IJCAI 的 PC chair也在一直催, 說大家一定要快, 因為AAAI那邊一直在擔心IJCAI的錄用通知出晚了AAAI就麻煩了.
COLT (1): 這是計算學習理論最好的會議, ACM主辦, 每年舉行. 計算學習理論基本上可以看成理論計算機科學和機器學習的交叉, 所以這個會被一些人看成是理論計算機科學的會而不是AI的會. 我一個朋友用一句話對它進行了精彩的刻畫: "一小群數(shù)家在開會". 因為COLT的領域比較小, 所以每年會議基本上都是那些人. 這里順便
提一件有趣的事, 因為最近國內搞的會議太多太濫, 而且很多會議都是LNCS/LNAI出
論文集, LNCS/LNAI基本上已經被搞臭了, 但很不幸的是, LNCS/LNAI中有一些很好的會議, 例如COLT.
CVPR (1): 計算機視覺和模式識別方面最好的會議之一, IEEE主辦, 每年舉行. 雖然題目上有計算機視覺, 但個人認為它的模式識別味道更重一些. 事實上它應該是模式識別最好的會議, 而在計算機視覺方面, 還有ICCV與之相當. IEEE一直有個傾向, 要把會辦成"盛會", 歷史上已經有些會被它從quality很好的會辦成"盛會"了. CVPR搞不好也要走這條路. 這幾年錄的文章已經不少了. 最近負責CVPR會議的TC的chair發(fā)信說, 對這個community來說, 讓好人被誤殺比被壞人漏網更糟糕, 所以我們是不是要減少好人被誤殺的機會啊? 所以我估計明年或者后年的CVPR就要擴招了.
ICCV (1): 介紹CVPR的時候說過了, 計算機視覺方面最好的會之一. IEEE主辦, 每年舉行.
ICML (1): 機器學習方面最好的會議之一. 現(xiàn)在是IMLS主辦, 每年舉行. 參見關于NIPS的介紹.
NIPS (1): 神經計算方面最好的會議之一, NIPS主辦, 每年舉行. 值得注意的是, 這個會每年的舉辦地都是一樣的, 以前是美國丹佛, 現(xiàn)在是加拿大溫哥華; 而且它是年底開會,開完后第2年才出論文集, 也就是說, NIPS'05的論文集是06年出. 會議的名字是"Advances in Neural Information Processing Systems", 所以, 與ICML/ECML這樣"標準的"機器學習會議不同, NIPS里有相當一部分神經科學的內容, 和機器學習有一定的距離. 但由于會議的主體內容是機器學習, 或者說與機器學習關系緊密, 所以不少人把NIPS看成是機器學習方面最好的會議之一. 這個會議基本上控制在Michael Jordan的徒子徒孫手中, 所以對Jordan系的人來說, 發(fā)NIPS并不是難事, 一些未必很強的工作也能發(fā)上去, 但對這個圈子之外的人來說, 想發(fā)一篇實在很難, 因為留給"外人"的口子很小. 所以對Jordan系以外的人來說, 發(fā)NIPS的難度比ICML更大. 換句話說,ICML比較開放, 小圈子的影響不象NIPS那么大, 所以北美和歐洲人都認, 而NIPS則有些人(特別是一些歐洲人, 包括一些大家)堅決不投稿. 這對會議本身當然并不是好事, 但因為Jordan系很強大, 所以它似乎也不太care. 最近IMLS(國際機器學習學會)改選理事, 有資格提名的人包括近三年在ICML/ECML/COLT發(fā)過文章的人, NIPS則被排除在外了. 無論如何, 這是一個非常好的會.
ACL (1-): 計算語言學/自然語言處理方面最好的會議, ACL (Association of
Computational Linguistics) 主辦, 每年開.
KR (1-): 知識表示和推理方面最好的會議之一, 實際上也是傳統(tǒng)AI(即基于邏輯的AI)最好的會議之一. KR Inc.主辦, 現(xiàn)在是偶數(shù)昕?
SIGIR (1-): 信息檢索方面最好的會議, ACM主辦, 每年開. 這個會現(xiàn)在小圈子氣越來越重. 信息檢索應該不算AI, 不過因為這里面用到機器學習越來越多, 最近幾年甚至有點機器學習應用會議的味道了, 所以把它也列進來.
SIGKDD (1-): 數(shù)據(jù)挖掘方面最好的會議, ACM主辦, 每年開. 這個會議歷史比較短, 畢竟, 與其他領域相比,數(shù)據(jù)挖掘還只是個小弟弟甚至小侄兒. 在幾年前還很難把它列在tier-1里面, 一方面是名聲遠不及其他的top conference響亮, 另一方面是相對容易被錄用. 但現(xiàn)在它被列在tier-1應該是毫無疑問的事情了.
另: 參見sir和lucky的介紹.
UAI (1-): 名字叫"人工智能中的不確定性", 涉及表示/推理/學習等很多方面, AUAI Association of UAI) 主辦, 每年開.
The Second Class:
tier-2的會議列得不全, 我熟悉的領域比較全一些.
AAMAS (2+): agent方面最好的會議. 但是現(xiàn)在agent已經是一個一般性的概念,
幾乎所有AI有關的會議上都有這方面的內容, 所以AAMAS下降的趨勢非常明顯.
ECCV (2+): 計算機視覺方面僅次于ICCV的會議, 因為這個領域發(fā)展很快, 有可能
升級到1-去.
ECML (2+): 機器學習方面僅次于ICML的會議, 歐洲人極力捧場, 一些人認為它已
經是1-了. 我保守一點, 仍然把它放在2+. 因為機器學習發(fā)展很快, 這個會議
的reputation上升非常明顯.
ICDM (2+): 數(shù)據(jù)挖掘方面僅次于SIGKDD的會議, 目前和SDM相當. 這個會只有5年
歷史, 上升速度之快非常驚人. 幾年前ICDM還比不上PAKDD, 現(xiàn)在已經拉開很大
距離了.
SDM (2+): 數(shù)據(jù)挖掘方面僅次于SIGKDD的會議, 目前和ICDM相當. SIAM的底子很厚, 但在CS里面的影響比ACM和IEEE還是要小, SDM眼看著要被ICDM超過了, 但至少
目前還是相當?shù)?
ICAPS (2): 人工智能規(guī)劃方面最好的會議, 是由以前的國際和歐洲規(guī)劃會議合并
來的. 因為這個領域逐漸變冷清, 影響比以前已經小了.
ICCBR (2): Case-Based Reasoning方面最好的會議. 因為領域不太大, 而且一直
半冷不熱, 所以總是停留在2上.
COLLING (2): 計算語言學/自然語言處理方面僅次于ACL的會, 但與ACL的差距比
ICCV-ECCV和ICML-ECML大得多.
ECAI (2): 歐洲的人工智能綜合型會議, 歷史很久, 但因為有IJCAI/AAAI壓著,
很難往上升.
ALT (2-): 有點象COLT的tier-2版, 但因為搞計算學習理論的人沒多少, 做得好
的數(shù)來數(shù)去就那么些group, 基本上到COLT去了, 所以ALT里面有不少并非計算
學習理論的內容.
EMNLP (2-): 計算語言學/自然語言處理方面一個不錯的會. 有些人認為與COLLING
相當, 但我覺得它還是要弱一點.
ILP (2-): 歸納邏輯程序設計方面最好的會議. 但因為很多其他會議里都有ILP方面
的內容, 所以它只能保住2-的位置了.
PKDD (2-): 歐洲的數(shù)據(jù)挖掘會議, 目前在數(shù)據(jù)挖掘會議里面排第4. 歐洲人很想把
它抬起來, 所以這些年一直和ECML一起捆綁著開, 希望能借ECML把它帶起來.
但因為ICDM和SDM, 這已經不太可能了. 所以今年的PKDD和ECML雖然還是一起開,
但已經獨立審稿了(以前是可以同時投兩個會, 作者可以聲明優(yōu)先被哪個會考慮,
如果ECML中不了還可以被PKDD接受).
The Third Class:
列得很不全. 另外, 因為AI的相關會議非常多, 所以能列在tier-3也算不錯了, 基本上能進到所有AI會議中的前30%吧
ACCV (3+): 亞洲的計算機視覺會議, 在亞太級別的會議里算很好的了.
DS (3+): 日本人發(fā)起的一個接近數(shù)據(jù)挖掘的會議.
ECIR (3+): 歐洲的信息檢索會議, 前幾年還只是英國的信息檢索會議.
ICTAI (3+): IEEE最主要的人工智能會議, 偏應用, 是被IEEE辦爛的一個典型. 以前的quality還是不錯的, 但是辦得越久聲譽反倒越差了, 糟糕的是似乎還在繼續(xù)下滑, 現(xiàn)在其實3+已經不太呆得住了.
PAKDD (3+): 亞太數(shù)據(jù)挖掘會議, 目前在數(shù)據(jù)挖掘會議里排第5.
ICANN (3+): 歐洲的神經網絡會議, 從quality來說是神經網絡會議中最好的, 但這個領域的人不重視會議,在該領域它的重要性不如IJCNN.
AJCAI (3): 澳大利亞的綜合型人工智能會議, 在國家/地區(qū)級AI會議中算不錯的了.
CAI (3): 加拿大的綜合型人工智能會議, 在國家/地區(qū)級AI會議中算不錯的了.
CEC (3): 進化計算方面最重要的會議之一, 盛會型. IJCNN/CEC/FUZZ-IEEE這三個會議是計算智能或者說軟計算方面最重要的會議, 它們經常一起開, 這時就叫WCCI (World Congress on Computational Intelligence). 但這個領域和CS其他分支不太一樣, 倒是和其他學科相似, 只重視journal, 不重視會議, 所以錄用率經常在85%左右, 所錄文章既有quality非常高的論文, 也有入門新手的習作.
FUZZ-IEEE (3): 模糊方面最重要的會議, 盛會型, 參見CEC的介紹.
GECCO (3): 進化計算方面最重要的會議之一, 與CEC相當，盛會型.
ICASSP (3): 語音方面最重要的會議之一, 這個領域的人也不很care會議.
ICIP (3): 圖像處理方面最著名的會議之一, 盛會型.
ICPR (3): 模式識別方面最著名的會議之一, 盛會型.
IEA/AIE (3): 人工智能應用會議. 一般的會議提名優(yōu)秀論文的通常只有幾篇文章, 被提名就已經是很高的榮譽了, 這個會很有趣, 每次都搞1、20篇的優(yōu)秀論文提名, 專門搞幾個session做被提名論文報告, 倒是很熱鬧.
IJCNN (3): 神經網絡方面最重要的會議, 盛會型, 參見CEC的介紹.
IJNLP (3): 計算語言學/自然語言處理方面比較著名的一個會議.
PRICAI (3): 亞太綜合型人工智能會議, 雖然歷史不算短了, 但因為比它好或者相當?shù)木C合型會議太多, 所以很難上升.
Combined List:
說明: 純屬個人看法, 僅供參考. tier-1的列得較全, tier-2的不太全, tier-3的很不全.同分的按字母序排列. 不很嚴謹?shù)卣f, tier-1是可以令人羨慕的, tier-2是可以令人尊敬的,由于AI的相關會議非常多, 所以能列進tier-3的也是不錯的
tier-1:
IJCAI (1+): International Joint Conference on Artificial Intelligence
AAAI (1): National Conference on Artificial Intelligence
COLT (1): Annual Conference on Computational Learning Theory
CVPR (1): IEEE International Conference on Computer Vision and Pattern
Recognition
ICCV (1): IEEE International Conference on Computer Vision
ICML (1): International Conference on Machine Learning
NIPS (1): Annual Conference on Neural Information Processing Systems
ACL (1-): Annual Meeting of the Association for Computational Linguistics
KR (1-): International Conference on Principles of Knowledge Representation
and Reasoning
SIGIR (1-): Annual International ACM SIGIR Conference on Research and
Development in Information Retrieval
SIGKDD (1-): ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
UAI (1-): International Conference on Uncertainty in Artificial Intelligence
tier-2:
AAMAS (2+): International Joint Conference on Autonomous Agents and
Multiagent Systems
ECCV (2+): European Conference on Computer Vision
ECML (2+): European Conference on Machine Learning
ICDM (2+): IEEE International Conference on Data Mining
SDM (2+): SIAM International Conference on Data Mining
ICAPS (2): International Conference on Automated Planning and Scheduling
ICCBR (2): International Conference on Case-Based Reasoning
COLLING (2): International Conference on Computational Linguistics
ECAI (2): European Conference on Artificial Intelligence
ALT (2-): International Conference on Algorithmic Learning Theory
EMNLP (2-): Conference on Empirical Methods in Natural Language Processing
ILP (2-): International Conference on Inductive Logic Programming
PKDD (2-): European Conference on Principles and Practice of Knowledge
Discovery in Databases
tier-3:
ACCV (3+): Asian Conference on Computer Vision
DS (3+): International Conference on Discovery Science
ECIR (3+): European Conference on IR Research
ICTAI (3+): IEEE International Conference on Tools with Artificial
Intelligence
PAKDD (3+): Pacific-Asia Conference on Knowledge Discovery and Data Mining
ICANN (3+): International Conference on Artificial Neural Networks
AJCAI (3): Australian Joint Conference on Artificial Intelligence
CAI (3): Canadian Conference on Artificial Intelligence
CEC (3): IEEE Congress on Evolutionary Computation
FUZZ-IEEE (3): IEEE International Conference on Fu Systems
GECCO (3): Genetic and Evolutionary Computation Conference
ICASSP (3): International Conference on Acoustics, Speech, and Signal
Processing
ICIP (3): International Conference on Image Processing
ICPR (3): International Conference on Pattern Recognition
IEA/AIE (3): International Conference on Industrial and Engineering
Applications of Artificial Intelligence and Expert Systems
IJCNN (3): International Joint Conference on Neural Networks
IJNLP (3): International Joint Conference on Natural Language Processing
PRICAI (3): Pacific-Rim International Conference on Artificial Intelligence
關于List的補充說明:
列l(wèi)ist只是為了幫助新人熟悉領域, 給出的評分或等級都是個人意見, 僅供參考. 特別要說明的是:
1. tier-1 conference上的文章并不一定比tier-3的好, 只能說前者的平均水準更高.
2. 研究工作的好壞不是以它發(fā)表在哪兒來決定的, 發(fā)表在高檔次的地方只是為了讓工作更容易被同行注意到. tier-3會議上發(fā)表1篇被引用10次的文章可能比在tier-1會議上發(fā)表10篇被引用0次的文章更有價值. 所以, 數(shù)top會議文章數(shù)并沒有太大意義, 重要的是同行的評價和認可程度.
3. 很多經典工作并不是發(fā)表在高檔次的發(fā)表源上, 有不少經典工作甚至是發(fā)表在很低檔的發(fā)表源上. 原因很多, 就不細說了.
4. 會議畢竟是會議, 由于審稿時間緊, 錯殺好人和漏過壞人的情況比比皆是, 更何況還要考慮到有不少剛開始做研究的學生在代老板審稿.
5. 會議的reputation并不是一成不變的，新會議可能一開始沒什么聲譽，但過幾年后就野雞變鳳凰，老會議可能原來聲譽很好，但越來越往下滑.
6. 只有計算機科學才重視會議論文, 其他學科并不把會議當回事. 但在計算機科學中也有不太重視會議的分支.
7. Politics無所不在. 你老板是誰, 你在哪個研究組, 你在哪個單位, 這些簡單的因素都可能造成決定性的影響. 換言之, 不同環(huán)境的人發(fā)表的難度是不一樣的. 了解到這一點后,你可能會對high-level發(fā)表源上來自low-level單位名不見經傳作者的文章特別注意(例如如果<計算機學報>上發(fā)表了平頂山鐵道電子信息科技學院的作者的文章,我一定會仔細讀).
8. 評價體系有巨大的影響. 不管是在哪兒謀生的學者, 都需要在一定程度上去迎合評價體系, 否則連生路都沒有了, 還談什么做研究. 以國內來說, 由于評價體系只重視journal,有一些工作做得很出色的學者甚至從來不投會議. 另外, 經費也有巨大的制約作用. 國外多好的研究組往往是重要會議都有文章. 但國內是不行的, 檔次低一些的會議還可以投了只交注冊費不開會, 檔次高的會議不去做報告會有很大的負面影響, 所以只能投很少的會議. 這是在國內做CS研究最不利的地方. 我的一個猜想：人民幣升值對國內CS研究會有小的促進作用(當然, 人民幣升值對整個中國來說利大于弊還是弊大于利很難說).
注: 本文為小百合BBS的daniel所寫
The First Class:
今天先談談AI里面tier-1的conferences, 其實基本上就是AI里面大家比較公認的top conference. 下面同分的按字母序排列.
IJCAI (1+): AI最好的綜合性會議, 1969年開始, 每兩年開一次, 奇數(shù)年開. 因為AI實在太大, 所以雖然每屆基本上能錄100多篇（現(xiàn)在已經到200多篇了），但分到每個領域就沒幾篇了，象machine learning、computer vision這么大的領域每次大概也就10篇左右, 所以難度很大. 不過從錄用率上來看倒不太低,基本上20%左右, 因為內行人都會掂掂分量, 沒希望的就別浪費reviewer的時間了. 最近中國大陸投往國際會議的文章象潮水一樣, 而且因為國內很少有能自己把關的研究組, 所以很多會議都在complain說中國的低質量文章嚴重妨礙了PC的工作效率. 在這種情況下, 估計這幾年國際會議的錄用率都會降下去. 另外, 以前的IJCAI是沒有poster的, 03年開始, 為了減少被誤殺的好人, 增加了2頁紙的poster.值得一提的是, IJCAI是由貌似一個公司"IJCAI Inc."主辦的(當然實際上并不是公司, 實際上是個基金會), 每次會議上要發(fā)幾個獎, 其中最重要的兩個是IJCAI Research Excellence Award 和 Computer & Thoughts Award, 前者是終身成就獎, 每次一個人, 基本上是AI的最高獎(有趣的是, 以AI為主業(yè)拿圖靈獎的6位中, 有2位還沒得到這個獎), 后者是獎給35歲以下的青年科學家, 每次一個人. 這兩個獎的獲獎演說是每次IJCAI的一個重頭戲.另外, IJCAI 的 PC member 相當于其他會議的area chair, 權力很大, 因為是由PC member去找 reviewer 來審, 而不象一般會議的PC member其實就是 reviewer. 為了制約這種權力, IJCAI的審稿程序是每篇文章分配2位PC member, primary PC member去找3位reviewer, second PC member 找一位.
AAAI (1): 美國人工智能學會AAAI的年會. 是一個很好的會議, 但其檔次不穩(wěn)定, 可以給到1+, 也可以給到1-或者2+, 總的來說我給它"1". 這是因為它的開法完全受
IJCAI制約: 每年開, 但如果這一年的IJCAI在北美舉行, 那么就停開. 所以, 偶數(shù)年里因為沒有IJCAI, 它就是最好的AI綜合性會議, 但因為號召力畢竟比IJCAI要小一些, 特別是歐洲人捧AAAI場的比IJCAI少得多(其實亞洲人也是), 所以比IJCAI還是要稍弱一點, 基本上在1和1+之間; 在奇數(shù)年, 如果IJCAI不在北美, AAAI自然就變成了比IJCAI低一級的會議(1-或2+), 例如2005年既有IJCAI又有AAAI, 兩個會議就進行了協(xié)調, 使得IJCAI的錄用通知時間比AAAI的deadline早那么幾天, 這樣IJCAI落選的文章以投往AAAI.在審稿時IJCAI 的 PC chair也在一直催, 說大家一定要快, 因為AAAI那邊一直在擔心IJCAI的錄用通知出晚了AAAI就麻煩了.
COLT (1): 這是計算學習理論最好的會議, ACM主辦, 每年舉行. 計算學習理論基本上可以看成理論計算機科學和機器學習的交叉, 所以這個會被一些人看成是理論計算機科學的會而不是AI的會. 我一個朋友用一句話對它進行了精彩的刻畫: "一小群數(shù)家在開會". 因為COLT的領域比較小, 所以每年會議基本上都是那些人. 這里順便
提一件有趣的事, 因為最近國內搞的會議太多太濫, 而且很多會議都是LNCS/LNAI出
論文集, LNCS/LNAI基本上已經被搞臭了, 但很不幸的是, LNCS/LNAI中有一些很好的會議, 例如COLT.
CVPR (1): 計算機視覺和模式識別方面最好的會議之一, IEEE主辦, 每年舉行. 雖然題目上有計算機視覺, 但個人認為它的模式識別味道更重一些. 事實上它應該是模式識別最好的會議, 而在計算機視覺方面, 還有ICCV與之相當. IEEE一直有個傾向, 要把會辦成"盛會", 歷史上已經有些會被它從quality很好的會辦成"盛會"了. CVPR搞不好也要走這條路. 這幾年錄的文章已經不少了. 最近負責CVPR會議的TC的chair發(fā)信說, 對這個community來說, 讓好人被誤殺比被壞人漏網更糟糕, 所以我們是不是要減少好人被誤殺的機會啊? 所以我估計明年或者后年的CVPR就要擴招了.
ICCV (1): 介紹CVPR的時候說過了, 計算機視覺方面最好的會之一. IEEE主辦, 每年舉行.
ICML (1): 機器學習方面最好的會議之一. 現(xiàn)在是IMLS主辦, 每年舉行. 參見關于NIPS的介紹.
NIPS (1): 神經計算方面最好的會議之一, NIPS主辦, 每年舉行. 值得注意的是, 這個會每年的舉辦地都是一樣的, 以前是美國丹佛, 現(xiàn)在是加拿大溫哥華; 而且它是年底開會,開完后第2年才出論文集, 也就是說, NIPS'05的論文集是06年出. 會議的名字是"Advances in Neural Information Processing Systems", 所以, 與ICML/ECML這樣"標準的"機器學習會議不同, NIPS里有相當一部分神經科學的內容, 和機器學習有一定的距離. 但由于會議的主體內容是機器學習, 或者說與機器學習關系緊密, 所以不少人把NIPS看成是機器學習方面最好的會議之一. 這個會議基本上控制在Michael Jordan的徒子徒孫手中, 所以對Jordan系的人來說, 發(fā)NIPS并不是難事, 一些未必很強的工作也能發(fā)上去, 但對這個圈子之外的人來說, 想發(fā)一篇實在很難, 因為留給"外人"的口子很小. 所以對Jordan系以外的人來說, 發(fā)NIPS的難度比ICML更大. 換句話說,ICML比較開放, 小圈子的影響不象NIPS那么大, 所以北美和歐洲人都認, 而NIPS則有些人(特別是一些歐洲人, 包括一些大家)堅決不投稿. 這對會議本身當然并不是好事, 但因為Jordan系很強大, 所以它似乎也不太care. 最近IMLS(國際機器學習學會)改選理事, 有資格提名的人包括近三年在ICML/ECML/COLT發(fā)過文章的人, NIPS則被排除在外了. 無論如何, 這是一個非常好的會.
ACL (1-): 計算語言學/自然語言處理方面最好的會議, ACL (Association of
Computational Linguistics) 主辦, 每年開.
KR (1-): 知識表示和推理方面最好的會議之一, 實際上也是傳統(tǒng)AI(即基于邏輯的AI)最好的會議之一. KR Inc.主辦, 現(xiàn)在是偶數(shù)昕?
SIGIR (1-): 信息檢索方面最好的會議, ACM主辦, 每年開. 這個會現(xiàn)在小圈子氣越來越重. 信息檢索應該不算AI, 不過因為這里面用到機器學習越來越多, 最近幾年甚至有點機器學習應用會議的味道了, 所以把它也列進來.
SIGKDD (1-): 數(shù)據(jù)挖掘方面最好的會議, ACM主辦, 每年開. 這個會議歷史比較短, 畢竟, 與其他領域相比,數(shù)據(jù)挖掘還只是個小弟弟甚至小侄兒. 在幾年前還很難把它列在tier-1里面, 一方面是名聲遠不及其他的top conference響亮, 另一方面是相對容易被錄用. 但現(xiàn)在它被列在tier-1應該是毫無疑問的事情了.
另: 參見sir和lucky的介紹.
UAI (1-): 名字叫"人工智能中的不確定性", 涉及表示/推理/學習等很多方面, AUAI Association of UAI) 主辦, 每年開.
The Second Class:
tier-2的會議列得不全, 我熟悉的領域比較全一些.
AAMAS (2+): agent方面最好的會議. 但是現(xiàn)在agent已經是一個一般性的概念,
幾乎所有AI有關的會議上都有這方面的內容, 所以AAMAS下降的趨勢非常明顯.
ECCV (2+): 計算機視覺方面僅次于ICCV的會議, 因為這個領域發(fā)展很快, 有可能
升級到1-去.
ECML (2+): 機器學習方面僅次于ICML的會議, 歐洲人極力捧場, 一些人認為它已
經是1-了. 我保守一點, 仍然把它放在2+. 因為機器學習發(fā)展很快, 這個會議
的reputation上升非常明顯.
ICDM (2+): 數(shù)據(jù)挖掘方面僅次于SIGKDD的會議, 目前和SDM相當. 這個會只有5年
歷史, 上升速度之快非常驚人. 幾年前ICDM還比不上PAKDD, 現(xiàn)在已經拉開很大
距離了.
SDM (2+): 數(shù)據(jù)挖掘方面僅次于SIGKDD的會議, 目前和ICDM相當. SIAM的底子很厚, 但在CS里面的影響比ACM和IEEE還是要小, SDM眼看著要被ICDM超過了, 但至少
目前還是相當?shù)?
ICAPS (2): 人工智能規(guī)劃方面最好的會議, 是由以前的國際和歐洲規(guī)劃會議合并
來的. 因為這個領域逐漸變冷清, 影響比以前已經小了.
ICCBR (2): Case-Based Reasoning方面最好的會議. 因為領域不太大, 而且一直
半冷不熱, 所以總是停留在2上.
COLLING (2): 計算語言學/自然語言處理方面僅次于ACL的會, 但與ACL的差距比
ICCV-ECCV和ICML-ECML大得多.
ECAI (2): 歐洲的人工智能綜合型會議, 歷史很久, 但因為有IJCAI/AAAI壓著,
很難往上升.
ALT (2-): 有點象COLT的tier-2版, 但因為搞計算學習理論的人沒多少, 做得好
的數(shù)來數(shù)去就那么些group, 基本上到COLT去了, 所以ALT里面有不少并非計算
學習理論的內容.
EMNLP (2-): 計算語言學/自然語言處理方面一個不錯的會. 有些人認為與COLLING
相當, 但我覺得它還是要弱一點.
ILP (2-): 歸納邏輯程序設計方面最好的會議. 但因為很多其他會議里都有ILP方面
的內容, 所以它只能保住2-的位置了.
PKDD (2-): 歐洲的數(shù)據(jù)挖掘會議, 目前在數(shù)據(jù)挖掘會議里面排第4. 歐洲人很想把
它抬起來, 所以這些年一直和ECML一起捆綁著開, 希望能借ECML把它帶起來.
但因為ICDM和SDM, 這已經不太可能了. 所以今年的PKDD和ECML雖然還是一起開,
但已經獨立審稿了(以前是可以同時投兩個會, 作者可以聲明優(yōu)先被哪個會考慮,
如果ECML中不了還可以被PKDD接受).
The Third Class:
列得很不全. 另外, 因為AI的相關會議非常多, 所以能列在tier-3也算不錯了, 基本上能進到所有AI會議中的前30%吧
ACCV (3+): 亞洲的計算機視覺會議, 在亞太級別的會議里算很好的了.
DS (3+): 日本人發(fā)起的一個接近數(shù)據(jù)挖掘的會議.
ECIR (3+): 歐洲的信息檢索會議, 前幾年還只是英國的信息檢索會議.
ICTAI (3+): IEEE最主要的人工智能會議, 偏應用, 是被IEEE辦爛的一個典型. 以前的quality還是不錯的, 但是辦得越久聲譽反倒越差了, 糟糕的是似乎還在繼續(xù)下滑, 現(xiàn)在其實3+已經不太呆得住了.
PAKDD (3+): 亞太數(shù)據(jù)挖掘會議, 目前在數(shù)據(jù)挖掘會議里排第5.
ICANN (3+): 歐洲的神經網絡會議, 從quality來說是神經網絡會議中最好的, 但這個領域的人不重視會議,在該領域它的重要性不如IJCNN.
AJCAI (3): 澳大利亞的綜合型人工智能會議, 在國家/地區(qū)級AI會議中算不錯的了.
CAI (3): 加拿大的綜合型人工智能會議, 在國家/地區(qū)級AI會議中算不錯的了.
CEC (3): 進化計算方面最重要的會議之一, 盛會型. IJCNN/CEC/FUZZ-IEEE這三個會議是計算智能或者說軟計算方面最重要的會議, 它們經常一起開, 這時就叫WCCI (World Congress on Computational Intelligence). 但這個領域和CS其他分支不太一樣, 倒是和其他學科相似, 只重視journal, 不重視會議, 所以錄用率經常在85%左右, 所錄文章既有quality非常高的論文, 也有入門新手的習作.
FUZZ-IEEE (3): 模糊方面最重要的會議, 盛會型, 參見CEC的介紹.
GECCO (3): 進化計算方面最重要的會議之一, 與CEC相當，盛會型.
ICASSP (3): 語音方面最重要的會議之一, 這個領域的人也不很care會議.
ICIP (3): 圖像處理方面最著名的會議之一, 盛會型.
ICPR (3): 模式識別方面最著名的會議之一, 盛會型.
IEA/AIE (3): 人工智能應用會議. 一般的會議提名優(yōu)秀論文的通常只有幾篇文章, 被提名就已經是很高的榮譽了, 這個會很有趣, 每次都搞1、20篇的優(yōu)秀論文提名, 專門搞幾個session做被提名論文報告, 倒是很熱鬧.
IJCNN (3): 神經網絡方面最重要的會議, 盛會型, 參見CEC的介紹.
IJNLP (3): 計算語言學/自然語言處理方面比較著名的一個會議.
PRICAI (3): 亞太綜合型人工智能會議, 雖然歷史不算短了, 但因為比它好或者相當?shù)木C合型會議太多, 所以很難上升.
Combined List:
說明: 純屬個人看法, 僅供參考. tier-1的列得較全, tier-2的不太全, tier-3的很不全.同分的按字母序排列. 不很嚴謹?shù)卣f, tier-1是可以令人羨慕的, tier-2是可以令人尊敬的,由于AI的相關會議非常多, 所以能列進tier-3的也是不錯的
tier-1:
IJCAI (1+): International Joint Conference on Artificial Intelligence
AAAI (1): National Conference on Artificial Intelligence
COLT (1): Annual Conference on Computational Learning Theory
CVPR (1): IEEE International Conference on Computer Vision and Pattern
Recognition
ICCV (1): IEEE International Conference on Computer Vision
ICML (1): International Conference on Machine Learning
NIPS (1): Annual Conference on Neural Information Processing Systems
ACL (1-): Annual Meeting of the Association for Computational Linguistics
KR (1-): International Conference on Principles of Knowledge Representation
and Reasoning
SIGIR (1-): Annual International ACM SIGIR Conference on Research and
Development in Information Retrieval
SIGKDD (1-): ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
UAI (1-): International Conference on Uncertainty in Artificial Intelligence
tier-2:
AAMAS (2+): International Joint Conference on Autonomous Agents and
Multiagent Systems
ECCV (2+): European Conference on Computer Vision
ECML (2+): European Conference on Machine Learning
ICDM (2+): IEEE International Conference on Data Mining
SDM (2+): SIAM International Conference on Data Mining
ICAPS (2): International Conference on Automated Planning and Scheduling
ICCBR (2): International Conference on Case-Based Reasoning
COLLING (2): International Conference on Computational Linguistics
ECAI (2): European Conference on Artificial Intelligence
ALT (2-): International Conference on Algorithmic Learning Theory
EMNLP (2-): Conference on Empirical Methods in Natural Language Processing
ILP (2-): International Conference on Inductive Logic Programming
PKDD (2-): European Conference on Principles and Practice of Knowledge
Discovery in Databases
tier-3:
ACCV (3+): Asian Conference on Computer Vision
DS (3+): International Conference on Discovery Science
ECIR (3+): European Conference on IR Research
ICTAI (3+): IEEE International Conference on Tools with Artificial
Intelligence
PAKDD (3+): Pacific-Asia Conference on Knowledge Discovery and Data Mining
ICANN (3+): International Conference on Artificial Neural Networks
AJCAI (3): Australian Joint Conference on Artificial Intelligence
CAI (3): Canadian Conference on Artificial Intelligence
CEC (3): IEEE Congress on Evolutionary Computation
FUZZ-IEEE (3): IEEE International Conference on Fu Systems
GECCO (3): Genetic and Evolutionary Computation Conference
ICASSP (3): International Conference on Acoustics, Speech, and Signal
Processing
ICIP (3): International Conference on Image Processing
ICPR (3): International Conference on Pattern Recognition
IEA/AIE (3): International Conference on Industrial and Engineering
Applications of Artificial Intelligence and Expert Systems
IJCNN (3): International Joint Conference on Neural Networks
IJNLP (3): International Joint Conference on Natural Language Processing
PRICAI (3): Pacific-Rim International Conference on Artificial Intelligence
關于List的補充說明:
列l(wèi)ist只是為了幫助新人熟悉領域, 給出的評分或等級都是個人意見, 僅供參考. 特別要說明的是:
1. tier-1 conference上的文章并不一定比tier-3的好, 只能說前者的平均水準更高.
2. 研究工作的好壞不是以它發(fā)表在哪兒來決定的, 發(fā)表在高檔次的地方只是為了讓工作更容易被同行注意到. tier-3會議上發(fā)表1篇被引用10次的文章可能比在tier-1會議上發(fā)表10篇被引用0次的文章更有價值. 所以, 數(shù)top會議文章數(shù)并沒有太大意義, 重要的是同行的評價和認可程度.
3. 很多經典工作并不是發(fā)表在高檔次的發(fā)表源上, 有不少經典工作甚至是發(fā)表在很低檔的發(fā)表源上. 原因很多, 就不細說了.
4. 會議畢竟是會議, 由于審稿時間緊, 錯殺好人和漏過壞人的情況比比皆是, 更何況還要考慮到有不少剛開始做研究的學生在代老板審稿.
5. 會議的reputation并不是一成不變的，新會議可能一開始沒什么聲譽，但過幾年后就野雞變鳳凰，老會議可能原來聲譽很好，但越來越往下滑.
6. 只有計算機科學才重視會議論文, 其他學科并不把會議當回事. 但在計算機科學中也有不太重視會議的分支.
7. Politics無所不在. 你老板是誰, 你在哪個研究組, 你在哪個單位, 這些簡單的因素都可能造成決定性的影響. 換言之, 不同環(huán)境的人發(fā)表的難度是不一樣的. 了解到這一點后,你可能會對high-level發(fā)表源上來自low-level單位名不見經傳作者的文章特別注意(例如如果<計算機學報>上發(fā)表了平頂山鐵道電子信息科技學院的作者的文章,我一定會仔細讀).
8. 評價體系有巨大的影響. 不管是在哪兒謀生的學者, 都需要在一定程度上去迎合評價體系, 否則連生路都沒有了, 還談什么做研究. 以國內來說, 由于評價體系只重視journal,有一些工作做得很出色的學者甚至從來不投會議. 另外, 經費也有巨大的制約作用. 國外多好的研究組往往是重要會議都有文章. 但國內是不行的, 檔次低一些的會議還可以投了只交注冊費不開會, 檔次高的會議不去做報告會有很大的負面影響, 所以只能投很少的會議. 這是在國內做CS研究最不利的地方. 我的一個猜想：人民幣升值對國內CS研究會有小的促進作用(當然, 人民幣升值對整個中國來說利大于弊還是弊大于利很難說).
總結
以上是生活随笔為你收集整理的对AI领域的会议的评点的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 谈谈机器学习
- 下一篇： 三个有名的决策树算法：CHAID、CAR