很多領域，SCI是王道，尤其在中國，在教師科研職稱評審和學生畢業條件中都對SCI極為重視，而會議則充當了補充者的身份。但是在計算機領域，尤其是人工智能與機器學習領域里，往往研究者們更加青睞於會議
我無意否認SCI期刊的價值，但是在機器學習、計算機視覺和人工智能領域，頂級會議才是王道。有人會質疑這些會議都只是EI索引的。是的，這的確非常特殊：在許多其它領域，會議都是盛會，比如society of neuroscience的會議，每次都有上萬人參加，帶個abstract和poster就可以去。但在所討論的幾個領域，頂級會議的重要性無論怎么強調都不為過。
可以從以下幾點說明：（1）因為機器學習、計算機視覺和人工智能領域發展非常迅速，新的工作層出不窮，如果把論文投到期刊上，一兩年后刊出時就有點out了。因此大部分最新的工作都首先發表在頂級會議上，這些頂級會議完全能反映“熱門研究方向”、“最新方法”。（2）很多經典工作大家可能引的是某頂級期刊上的論文，這是因為期刊論文表述得比較完整、實驗充分。但實際上很多都是在頂級會議上首發。比如PLSA, Latent Dirichlet Allocation等。（3）如果注意這些領域大牛的pulications，不難發現他們很非常看重這些頂級會議，很多人是80%的會議+20%的期刊。即然大牛們把最新工作發在頂級會議上，有什么理由不去讀頂級會議？
(1)以下是不完整的列表，但基本覆蓋。
機器學習頂級會議：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）
計算機視覺和圖像識別：ICCV, CVPR, ECCV; （期刊：IEEE T-PAMI, IJCV, IEEE T-IP）
人工智能：IJCAI, AAAI; （期刊AI）
另外相關的還有SIGRAPH, KDD, ACL, SIGIR, WWW等。
特別是，如果做機器學習，必須地，把近4年的NIPS, ICML翻幾遍；如果做計算機視覺，要把近4年的ICCV, CVPR, NIPS, ICML翻幾遍。
(2)另外補充一下：大部分頂級會議的論文都能從網上免費下載到，如CV方面：http://www.cvpapers.com/index.html; NIPS: http://books.nips.cc/; JMLR(期刊): http://jmlr.csail.mit.edu/papers/; COLT和ICML(每年度的官網): http://www.cs.mcgill.ca/~colt2009/proceedings.html。希望這些信息對大家有點幫助。
(3)說些自己的感受。我的研究方向主要是CV與Deep Learning，但統計學習和計算神經科學都有涉及，對Data mining和Natural Language Processing也有一定了解。這些領域，從方法和模型的角度看，統計模型（包括probabilistic graphical model和statistical learning theory）是主流也是非常有影響力的方法。有個非常明顯的趨勢：重要的方法和模型最先在NIPS或ICML出現，然后應用到CV,DM.NLP。雖然具體問題和應用也很重要，但多關注和結合這些方法也很有意義。
對於這個領域的牛人們，以上全是淺顯的廢話，完全可以無視。歡迎討論。
注:
NIPS = Neural Information Processing Systems https://nips.cc/
ICML = International Conference on Machine Learning https://icml.cc
UAI(AUAI) =Association for Uncertainty in Artifical Intelligence http://www.auai.org/
AISTATS = Artificial Intelligence and Statistics http://www.aistats.org/
JMLR = Journal of Machine Learning Research http://jmlr.org/
IJCAI = International Joint Conference on Artifical Intelligence http://ijcai.org/
AAAI = Association for the Advancement of Aritifical Intelligence http://www.aaai.org/home.html
原文地址:
- 頂