機器學習研究方向

2021-06-21 16:20:05 字數 1368 閱讀 1894

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。有同學建議國內某教授的教材、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**?

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慧領域,頂級會議才是王道。國內教材和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只是ei。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慧領域發展非常迅速,新的工作層出不窮,如果把**投到期刊上,一兩年後刊出時就有點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**,這是因為期刊**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publications,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)

計算機視覺和影象識別:iccv, cvpr, eccv;  (期刊:ieee t-pami, ijcv, ieee t-ip)

人工智慧: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。

比如cv方面: 

nips:  

jmlr(期刊):  

colt和icml(每年度的官網): 希望這些資訊對大家有點幫助。

(3) 說些自己的感受。我的研究方向主要是統計學習和概率圖模型,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。

機器學習研究方向

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。有同學建議國內某教授的教材 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 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慧領域,頂級會議才是王道。國內教材和cnki上的基本是...

深度學習 研究方向

優化 optimization 深度學習的問題最後似乎總能變成優化問題,這個時候數值優化的方法就變得尤其重要。從實踐方面來說,現在最為推崇的方法依舊是隨機梯度遞減,這樣乙個極其簡單的方法以其強悍的穩定性深受廣大研究者的喜愛,而不同的人還會結合動量 momentum 偽牛頓方法 pseudo newt...

機器學習方向

2014 4 27 本文原創位址我不能保證,對原創人員我想說sorry!從這篇文章可以看出在這個領域,頂級會議比期刊更加重要 顯而易見 之後我會更新一篇博文,某大牛寫得如何閱讀 原創文章 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。有同學建議國內某教授的教材 或者cnki 或者...