為什麼不去讀頂級會議上的論文？适應于機器學習、計算機視覺和人工智能?為什麼不去讀頂級會議上的論文？适應于機器學習、計算機視覺和人工智能?

看了版上很多貼子，發現很多版友都在問“熱門研究方向”、“最新方法”等。有同學建議國内某教授的教材、或者CNKI、或者某些SCI期刊。每當看到這種問題，我都有點納悶，為什麼不去讀頂級會議上的論文？

我無意否認以上文獻的價值，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。國内教材和CNKI上的基本是N年前老掉牙的東西。有人會質疑這些會議都隻是EI。是的，這的确非常特殊：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。但在所讨論的幾個領域，頂級會議的重要性無論怎麼強調都不為過。

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，一兩年後刊出時就有點out了。是以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，有什麼理由不去讀頂級會議？

(1)

以下是不完整的清單，但基本覆寫。

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别：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。

特别是，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)

(3)

說些自己的感受。我的研究方向主要是統計學習和機率圖模型，但對計算機視覺和計算神經科學都有涉及，對Data mining和IR也有些了解。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，然後應用到CV,IR和MM。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。

對于這個領域的牛人們，以上全是淺顯的廢話，完全可以無視。歡迎讨論。