# 国际会议


* ML会议（如 ICLR、ICML、NeurIPS）
* NLP会议（如 ACL、EMNLP、NAACL）


## 说明

* 在计算机科学领域，顶级学术会议的重要性远高于期刊。这与很多其他学科（如生物、化学、材料）以期刊为主要阵地的文化完全不同。



## ICLR 


* ICLR 是 **International Conference on Learning Representations（国际学习表征会议）** 的缩写
* 是当前人工智能和深度学习领域最顶尖的国际会议之一，与 NeurIPS、ICML 并列为机器学习“三大顶会”。
* 简称：ICLR（发音类似 "eye-clear"）
* 创建时间：2013 年，由 **Yoshua Bengio**（深度学习三巨头之一）和 **Yann LeCun** 发起
* 相关链接
    * 官方网站：[https://iclr.cc/](https://iclr.cc/)
    * OpenReview 平台：[https://openreview.net/group?id=ICLR.cc](https://openreview.net/group?id=ICLR.cc)


### ✅ 会议主题：

专注于 **深度学习（Deep Learning）** 和 **学习表征（Representation Learning）**，包括但不限于：

* 神经网络理论与方法
* 自监督/对比学习
* 表征学习
* 生成模型（如GAN/VAE）
* 多模态学习（文本、图像、语音）
* Transformers、Diffusion Models 等
* 应用于 NLP、CV、RL、图神经网络等领域

### 🧪 ICLR 的特色

| 特点       | 描述                               |
| -------- | -------------------------------- |
| ✅ 开放式审稿  | 所有投稿在 OpenReview 上公开，社区可以参与评论与讨论 |
| ✅ 匿名双盲审稿 | 作者与审稿人身份互相保密，确保评审公平              |
| ✅ 快速迭代   | 社区可在评审过程中提出建议，作者可根据反馈更新论文        |
| ✅ 在线交流为主 | 相较于传统线下会议，ICLR 更加注重线上发布与讨论       |




### 📈 学术影响力

* ICLR 接收的论文代表当前最前沿的研究方向
* 顶级 AI 公司（OpenAI、DeepMind、Google、Meta）和高校（MIT、Stanford、Berkeley）每年大量投稿
* 常见于大模型、预训练方法、优化器、结构改进等关键技术发布场所


## NeurIPS

* ✅ 全称：**Conference on Neural Information Processing Systems**
* 曾用名：**NIPS**（2018 年起正式更名为 NeurIPS）
* ✅ 中文名：神经信息处理系统大会
* ✅ 简称：**NeurIPS**（发音为 "new-rips"）
* 📚 定义：NeurIPS 是人工智能、机器学习、统计学习、生物智能计算等交叉领域的**顶级学术会议**之一
    * 该会议论文难度极高、投稿竞争极为激烈，代表着当前 AI 领域的最前沿水平。

### 🎯 主要研究方向

* **机器学习理论与应用**
* **深度学习与神经网络**
* **大模型与预训练方法**
* **优化算法（如Adam、SGD、L-BFGS等）**
* **强化学习（RL）**
* **图神经网络（GNN）**
* **自然语言处理（NLP）**
* **计算机视觉（CV）**
* **神经科学与计算神经学**
* **公平性、可解释性、安全性**
* **AI for Science（AI + 生物、物理、量子计算等）**


### 🔍 NeurIPS 的特点

| 特点               | 描述                                                      |
| ---------------- | ------------------------------------------------------- |
| 🎓 学术地位极高        | 是全球投稿量最多、引用量最高的 AI 会议之一                                 |
| 🧪 强调理论与实践结合     | 鼓励从数学/统计/计算神经科学角度研究 AI                                  |
| 🤖 大厂/高校齐聚       | Google、OpenAI、Meta、DeepMind，MIT、Stanford、Tsinghua 等踊跃参与 |
| 📈 接收率极低         | 每年投稿超一万篇，接收率通常在 20% 以下                                  |
| 💬 高质量评审与讨论      | 双盲审稿，附带长评，意见权威且具有建设性                                    |
| 🔬 附带多个 Workshop | 包含强化学习、可解释AI、多模态等多个前沿专题 Workshop                        |


## 📌 官方资源

* 官网：[https://nips.cc/](https://nips.cc/)
* OpenReview 平台（仅 Workshop 投稿使用）：[https://openreview.net/](https://openreview.net/)
* 论文收录在：[https://papers.nips.cc/](https://papers.nips.cc/)
* 视频/教程：[https://neurips.cc/Conferences/](https://neurips.cc/Conferences/)

## 📈 学术影响力

* 曾发表重要论文如：
    * Transformer 原始论文（Attention Is All You Need）
    * AlphaFold/AlphaGo 系列技术论文
    * GAN 系列的重要进展
* 常成为 GPT 系列、大模型结构、优化器研究的首发地


## 🏆 对比 ICLR / ICML

| 会议      | 侧重点             | 评审方式 | 创办时间  |
| ------- | --------------- | ---- | ----- |
| NeurIPS | 理论+算法+神经科学，交叉更广 | 双盲审稿 | 1987  |
| ICLR    | 表征学习+大模型，偏深度学习  | 开放审稿 | 2013  |
| ICML    | 机器学习理论与模型创新     | 双盲审稿 | 1980s |




## ICML

* ✅ 全称：**International Conference on Machine Learning**
* ✅ 中文名：**国际机器学习大会**
* ✅ 简称：**ICML**（发音为 "I-C-M-L"）
* 定义：ICML 是人工智能与机器学习领域**最顶级的国际学术会议**之一，与 NeurIPS 和 ICLR 并称为 **机器学习三大顶会（Top 3）**。
    * 它重点关注机器学习的**理论研究、算法创新、实际应用**等，是全球 AI 研究人员投稿数量和引用数量最多的会议之一。

### 🎯 主要研究方向

* **机器学习理论**
  * 泛化理论、PAC学习、统计学习理论
* **优化算法**
  * SGD、Adam、自适应学习率、收敛性分析
* **深度学习**
  * 网络结构设计（如ResNet、Transformer）
* **自监督学习 / 表征学习**
* **强化学习（Reinforcement Learning）**
* **生成模型（VAE、GAN 等）**
* **图神经网络（GNN）**
* **因果推断、贝叶斯推理**
* **公平性、可解释性、鲁棒性**
* **AutoML、元学习（Meta Learning）**
* **实际应用：推荐系统、CV、NLP、医疗、金融、机器人等**

### 🔍 ICML 的特点

| 特点           | 描述                                                  |
| ------------ | --------------------------------------------------- |
| 📚 强调算法和理论基础 | 比 ICLR 更强调**严谨性和创新性**，非常适合基础研究者                     |
| 🤖 投稿数量极高    | 每年收到约 7000-8000 篇投稿，接收率仅 20% 左右                     |
| 📈 学术影响力广泛   | 许多基础算法如 XGBoost、DQN、Adam、BayesNet 的改进都在 ICML 首发     |
| 👥 双盲审稿机制    | 审稿人与作者互相匿名，保障公平性                                    |
| 🧠 国际化程度高    | 多语言、多机构参与，来自 Google, Meta, DeepMind, MSR, 清华, 中科院 等 |


### 🌐 官方资源

* 官方网站：[https://icml.cc/](https://icml.cc/)
* 论文集合：[https://proceedings](https://proceedings)



## 🔝 一线会议（顶会，按研究方向）

### 🧠 一、综合性 AI 顶会（含机器学习、NLP、CV 等多个方向）

| 会议          | 全称                                                         | 简介                             |
| ----------- | ---------------------------------------------------------- | ------------------------------ |
| **AAAI**    | Association for the Advancement of Artificial Intelligence | 历史悠久的人工智能大会，偏综合性               |
| **IJCAI**   | International Joint Conference on Artificial Intelligence  | 与 AAAI 类似，偏向符号推理、图算法等传统 AI     |
| **AISTATS** | Artificial Intelligence and Statistics                     | 机器学习 + 统计的融合，理论性强、投稿难度略低于 ICML |

---

### 📜 二、自然语言处理（NLP）

| 会议         | 全称                                                    | 简介                          |
| ---------- | ----------------------------------------------------- | --------------------------- |
| **ACL**    | Association for Computational Linguistics             | NLP 第一顶会，几乎所有主流语言模型论文都出现在这里 |
| **EMNLP**  | Empirical Methods in Natural Language Processing      | 更偏实证方法，与 ACL 并列             |
| **NAACL**  | North American Chapter of the ACL                     | ACL 系列的北美分会，侧重英文和多语种研究      |
| **COLING** | International Conference on Computational Linguistics | NLP 老牌会议，偏语言学与计算结合          |

---

### 👁️ 三、计算机视觉（CV）

| 会议       | 全称                                                         | 简介                  |
| -------- | ---------------------------------------------------------- | ------------------- |
| **CVPR** | IEEE Conference on Computer Vision and Pattern Recognition | CV 第一顶会，工业界/学术界高度活跃 |
| **ICCV** | International Conference on Computer Vision                | CVPR 姊妹会议，交替举办      |
| **ECCV** | European Conference on Computer Vision                     | 欧洲主办，CVPR 在欧洲的对应会议  |

---

### 🤖 四、机器人 / 强化学习 / 控制

| 会议       | 全称                                                                  | 简介               |
| -------- | ------------------------------------------------------------------- | ---------------- |
| **CoRL** | Conference on Robot Learning                                        | 专注机器人与 RL 交叉     |
| **ICRA** | IEEE International Conference on Robotics and Automation            | 工程导向强，硬件+控制+算法结合 |
| **IROS** | IEEE/RSJ International Conference on Intelligent Robots and Systems | 与 ICRA 并列机器人顶会   |

---

### 🧪 五、自动化科学 / 其他 AI 交叉

| 会议/期刊                                         | 简介                        |
| --------------------------------------------- | ------------------------- |
| **UAI** (Uncertainty in AI)                   | 侧重不确定性建模、贝叶斯推理等           |
| **KDD** (Knowledge Discovery and Data Mining) | 数据挖掘第一顶会，包含机器学习、图挖掘等内容    |
| **WWW / TheWebConf**                          | 万维网会议，聚焦图神经网络、推荐系统等       |
| **ICDE / VLDB / SIGMOD**                      | 数据库会议，但大量论文涉及机器学习在大数据中的应用 |

---

## 📰 期刊推荐（影响因子高，可用于毕业或深度研究）

| 期刊                                                  | 简介                       |
| --------------------------------------------------- | ------------------------ |
| **JMLR**（Journal of Machine Learning Research）      | ML 最权威的期刊，ICML 姊妹刊       |
| **TMLR**（Transactions on Machine Learning Research） | NeurIPS 发起的新期刊，快速审稿，开放评论 |
| **IEEE TPAMI**                                      | CV 与 AI 领域影响力极高          |
| **MLJ**（Machine Learning Journal）                   | 传统但权威，接受较长篇论文            |
| **Pattern Recognition**                             | CV + 机器学习方向的老牌期刊         |
| **AIJ**（Artificial Intelligence Journal）            | 传统 AI 与现代 AI 理论交汇处       |

---

## 📌 总结：怎么选择发表会议或期刊？

| 情况                | 建议会议/期刊                                     |
| ----------------- | ------------------------------------------- |
| 目标是刷顶会，毕业/晋升/求职用  | NeurIPS / ICML / ICLR / CVPR / ACL / AAAI 等 |
| 偏应用、想快速发表         | EMNLP、AISTATS、CoRL、KDD、TMLR                 |
| 偏理论、长周期打磨论文       | JMLR、TPAMI、AIJ、MLJ 等期刊                      |
| 工作方向交叉（如推荐系统、图算法） | WWW、WSDM、KDD、SIGIR、UAI、ICDE 等               |