资源描述
一流的:数据库三大顶级会议SIGMOD,VLDB,ICDE,数据挖掘KDD,实际相关的还有机器学习ICML,还有信息检索的SIGIR;数据库的理论会议PODS,但它是理论的会议所以和咱们就不大相关了 二流的:EDBT,ICDT,CIKM,SDM,ICDM,PKDD,还有ECML欧洲的机器学习会议(这个应该是1.5档的,比一般的二流好),这些会也不好中,中了也会会觉得不一定爽,你可能觉得再以努力就上一流了,哈哈。还有一些会,俺就懒得列了! 下面是很早以前AI版的一个帖子,写得还不错,看看吧,哈哈 有些人的工工作很原原创,每每年总有有一些很很新颖的的东西。有有的人文文章很多多,但主主要都是是别人的的工作。领域域有不少少 。有有的地方方,整个个就就是一个个大的。 个人感觉数数据库研研究者倾倾向于把把数据挖挖掘看作作一个数数据库的的子领域域,因而而对数据据挖掘的的会议 rattingg较低。然然而对其其他背景景的人而而言,数数据挖掘掘是相对对独立的的一个新新兴领域域,因而而对其会会 议rratiing比比较高。 SIGMOOD:997分,数数据库的的最高会会议,涉涉及范围围广泛,稍稍偏应用用(因为为理论文文章有PPODSS)。没没 说的的,景仰仰如滔滔滔江水。这这个会议议不仅是是douublee-bllindd reevieew,而而且有rrebuuttaal pprocceduur ee,可谓谓独树一一帜,与与众不同同。 VLDB:95分分,非常常好的数数据库会会议。与与SIGGMODD类似,涉涉及范围围广泛,稍稍偏应用用。 从文章的质质量来说说,SIIGMOOD和VVLDBB难分伯伯仲,没没有说谁谁比谁更更高。他他们的范范围也几几乎一样样。 不不少牛人人都认为为,今年年的reebutttall prroceedurre其实实并不怎怎么成功功。投稿稿太多,很很难做到到每一 篇都公公平公正正。很多多rebbutttal没没人看。 doublle-bblinnd是把把双刃剑剑。这几几年来每每年都有有人冒充充牛人的的风格来来投稿,有有的还真真进去了了。 反反而VLLDB的的审稿质质量一直直很高。每每年的VVLDBB都有很很理论的的papper。 一般来说,我我感觉大大家还是是认为SSIGMMOD要要好那么么一点点点。根据据我个人人读过的的文章,也也有这样样 的感感觉。不不过这个个并不重重要了,有有差别也也是那么么一点。 PODS:95分分。是“数数据库理理论的最最好会议议,也是是一个很很好的理理论会议议”。每每年总是是co-loccatee d witth SSIGMMOD。感感觉其中中算法背背景的人人占主流流(你可可以数数数PODDS文章章中有多多少来自自Mottwanni ggrouup),也也有一部部分AII背景的的人(毕毕竟SIIGARRT也是是主办者者之一)。它它的影响响力远不不及SIIGM OD,然然而其中中文章的的质量比比较整齐齐,vaariaancee小于SSIGMMOD(以以及其他他任何数数据库会会议)。有有 一位位牛人说说:“PPODSS neeverr haad aa ree allly badd paaperr,”这这是它值值得骄傲傲的地方方。 KDD::fulll ppapeer 995分,ppostter/shoort papper 90分分。数据据挖掘的的最高会会议。由由于历史史积累 不足以以及领域域圈子较较小,勿勿用讳言言KDDD目前比比SIGGMODD尚有所所不如。我我觉得我我们可以以这样类类比 :KDDD:SIIGMOOD=CCRYPPTO:STOOC。回回顾密码码学的历历史,真真正最牛牛的文章章一般发发在STTOC/FOCCS而非非C RRYPTTO/EEUROOCRYYPT,这这和今天天的数据据挖掘何何等类似似!然而而你看看看今天的的密码学学文章,已已经有 顶级的的密码学学家(恕恕我不便便写出名名字)不不再往SSTOCC/FOOCS投投稿。我我觉得同同样的事事情在不不久的 将来也也会发生生在数据据挖掘中中,让我我们拭目目以待。 这几年来KKDD的的质量都都很高。其其fulll ppapeer的质质量高于于SIGGMODD/VLLDB中中数据挖挖掘方面面的paaperr 的质质量。原原因是SSIGMMOD/VLDDB审稿稿人中数数据挖掘掘的人很很少,审审稿标准准不一定定能掌握握得很好好。 这这几年好好几篇SSIGMMOD/VLDDB的数数据挖掘掘papper都都follloww一些KKDD的的papper。而而在KDDD,要要拿一篇篇f uull papper真真难。去去年复旦旦拿了一一篇,实实属难能能可贵。今今年他们们又拿了了一个SSIGMMOD demmo,说说 明工工作的确确很扎实实。 听说在很多多地方,如如果能有有一篇SSIGMMOD/VLDDB/KKDD,就就能博士士毕业,能能有两篇篇就能找找到不错错 的工工作。“革革命尚未未成功,同同志仍需需努力!” ICDE:92分分。很好好的数据据库会议议,也是是一个大大杂烩。好好处是覆覆盖面广广、包容容性强,坏坏处是文文 章水水平参差差不齐。 EDBT:88分分,不错错的数据据库会议议,录取取率很低低然而历历史积累累不足,影影响还明明显不及及ICDDE。 ICDT:88分分,POODS的的欧洲版版,数据据库理论论第二会会议。 和SIGMMOD/VLDDB一样样,ICCDE和和EDBBT在质质量和影影响上都都不相上上下。 其它的的如CIIKM,IICDMM,SDDM,SSSDBBM,PPKDDD等等都都比以上上的会议议差一截截。 CIKM:85分分。 SDM:ffulll paaperr 900分,ppostter/shoort papper 85分分。SIIAM的的数据挖挖掘会议议,与IICDMM并列为为 数据据挖掘领领域的第第二位,比比KDDD有明显显差距。好好像其中中统计背背景的人人比较多多,也有有一部分分机 器器学习背背景的人人,比较较divverssifiied。 ICDM:fulll ppapeer 990分,ppostter/shoort papper 85分分。IEEEE的的数据挖挖掘会议议,与SSDM并并列为 数据挖挖掘领域域的第二二位,比比KDDD有明显显差距。 PKDD:83分分(因为为possterr/shhortt paaperr数量很很少,所所以不予予区分)。好好像是KKDD的的欧洲版版, 但但与KDDD差距距很大。http:/bblogggerr.orrg.ccn/bblogg/moore.aspp?naame=zhaaoyoong004&iid=2245556IJCAII (11+): AII最好的的综合性性会议, 19969年年开始, 每两两年开一一次, 奇数年年开. 因为AAI 实实在太大大, 所所以虽然然每届基基本上能能录1000多篇篇(现在在已经到到2000多篇了了),但但分到每每个领域域就没几几篇了,象象macchinne llearrninng、ccompputeer vvisiion这这么大的的领域每每次大概概也就110篇左左右, 所以难难度很大大. 不不过从录录用率上上来看倒倒不太低低,基本本上200%左右右, 因因为内 行人都都会掂掂掂分量, 没希希望的就就别浪费费revviewwer的的时间了了. 最最近中国国大陆投投往国际际会议的的文章象象潮水一一样, 而且因因为国内内很少有有能自己己把关的的研究组组, 所所以很多多会议都都在coompllainn说中国国的低质质量文章章严重妨妨碍了PPC的工工作效率率. 在在这种情情况下, 估计计这几年年国际会会议的录录用率都都会降下下去. 另外, 以前前的IJJCAII是没有有possterr的, 03年年开始, 为了了减少被被误杀的的好人, 增加加了2页页纸的ppostter.值得一一提的是是, IIJCAAI是由由貌似一一个公司司IJJCAII Innc.主办的的(当然然实际上上并不是是公司, 实际际上是个个基金会会), 每次会会议上要要 发几几个奖, 其中中最重要要的两个个是IJJCAII Reeseaarchh Exxcelllennce Awaard 和 CCompputeer& Thooughhts Awaard, 前者者是终身身成就奖奖, 每每次一个个人, 基本上上是AII的最高高奖(有有趣的是是, 以以AI为为主业拿拿图灵奖奖的6位位中, 有2位位还没得得到这个个奖), 后者者是奖给给35岁岁以下的的青年科科学家, 每次次一个人人. 这这两个奖奖的获奖奖演说是是每次IIJCAAI的一一个重头头戏.另另外,IIJCAAI 的的 PCC meembeer 相相当于其其他会议议的arrea chaair, 权力力很大, 因为为是由PPC mmembber 去找 revviewwer 来审, 而不不象一般般会议的的PC memmberr其实就就是 rreviieweer. 为了制制约这种种权力, IJJCAII的审稿稿程序是是每篇文文章分配配2位PPC mmembber, prrimaary PC memmberr去找33位reevieewerr, ssecoond PC memmberr 找一一位. AAAI (1): 美美国人工工智能学学会AAAAI的的年会. 是一一个很好好的会议议, 但但其档次次不稳定定, 可可以给到到1+, 也可可以给到到1-或或者2+, 总总的来说说我给它它1. 这这是因为为它的开开法完全全受IJJCAII制约: 每年年开, 但如果果这一年年的IJJCAII在北美美举行, 那么么就停开开. 所所以, 偶数年年里因为为没有IIJCAAI, 它就是是最好的的AI综综合性会会议, 但因为为号召力力毕竟比比IJCCAI要要小一些些,特别别是欧洲洲人捧AAAAII场的比比IJCCAI少少得多(其实亚亚洲人也也是), 所以以比IJJCAII还是要要稍弱一一点, 基本上上在1和和1+之之间; 在奇数数年, 如果IIJCAAI不在在北美, AAAAI自自然就变变成了比比IJCCAI低低一级的的会议(1-或或2+), 例例如20005年年既有IIJCAAI又有有AAAAI, 两个会会议就进进行了协协调, 使得IIJCAAI的录录用通知知时间比比AAAAI的ddeaddlinne早那那么几天天, 这这样IJJCAII落选的的文章可可以投往往AAAAI.在在审稿时时IJCCAI 的 PPC cchaiir也在在一直催催, 说说大家一一定要快快, 因因为AAAAI那那边一直直在担心心IJCCAI的的录用通通知出晚晚了AAAAI就就麻烦了了. COLT (1): 这这是计算算学习理理论最好好的会议议, AACM主主办, 每年举举行. 计算学学习理论论基本上上可以看看成理论论计算机机科学和和机器学学习的交交叉, 所以这这个会被被一些人人看成是是理论计计算机科科学的会会而不是是AI的的会. 我一个个朋友用用一句话话对它进进行了精精彩的刻刻画: 一小小群数学学家在开开会. 因为为COLLT的领领域比较较小, 所以每每年会议议基本上上都是那那些人. 这里里顺便提提一件有有趣的事事, 因因为最近近国内搞搞的会议议太多太太滥, 而且很很多会议议都是LLNCSS/LNNAI出出论文集集, LLNCSS/LNNAI基基本上已已经被搞搞臭了, 但很很不幸的的是, LNCCS/LLNAII中有一一些很好好的会议议, 例例如COOLT. CVPR (1): 计计算机视视觉和模模式识别别方面最最好的会会议之一一, IIEEEE主办, 每年年举行. 虽然然题目上上有计算算机视觉觉, 但但个人认认为它的的模式识识别味道道更重一一些. 事实上上它应该该是模式式识别最最好的会会议, 而在计计算机视视觉方面面, 还还有ICCCV与与之相当当. IIEEEE一直有有个倾向向, 要要把会办办成盛盛会, 历史史上已经经有些会会被它从从quaalitty很好好的会办办成盛盛会了了. CCVPRR搞不好好也要走走这条路路. 这这几年录录的文章章已经不不少了. 最近近负责CCVPRR会议的的TC的的chaair发发信说, 对这这个coommuunitty来说说, 让让好人被被误杀比比被坏人人漏网更更糟糕, 所以以我们是是不是要要减少好好人被误误杀的机机会啊? 所以以我估计计明年或或者后年年的CVVPR就就要扩招招了. ICCV (1): 介介绍CVVPR的的时候说说过了, 计算算机视觉觉方面最最好的会会之一. IEEEE主主办. ICCCV逢奇奇数年开开,开会会地点以以往是北北美,欧欧洲和亚亚洲轮流流,本来来20003年定定在北京京,后来来因Saars和和原定005年的的法国换换了一下下。ICCCV07年年将首次次在南美美(巴西西)举行行.CVVPR原原则上每每年在北北美开, 如果果那年正正好ICCCV在在北美,则该年年没有CCVPRR. ICML (1): 机机器学习习方面最最好的会会议之一一. 现现在是IIMLSS主办, 每年年举行. 参见见关于NNIPSS的介绍绍. NIPS (1): 神神经计算算方面最最好的会会议之一一, NNIPSS主办, 每年年举行. 值得得注意的的是, 这个会会每年的的举办地地都是一一样的, 以前前是美国国丹佛, 现在在是加拿拿大温哥哥华; 而且它它是年底底开会, 会开开完后第第2年才才出论文文集, 也就是是说, NIPPS005的论论文集是是06年年出. 会议的的名字是是Addvanncess inn Neeuraal IInxxxxxaatioon PProccesssingg Syysteems, 所所以, 与ICCMLEECMLL这样的的标准准的机机器学习习会议不不同, NIPPS里有有相当一一部分神神经科学学的内容容, 和和机器学学习有一一定的距距离. 但由于于会议的的主体内内容是机机器学习习, 或或者说与与机器学学习关系系紧密, 所以以不少人人把NIIPS看看成是机机器学习习方面最最好的会会议之一一. 这这个会议议基本上上控制在在MicchaeelJoordaan的徒徒子徒孙孙手中, 所以以对Joordaan系的的人来说说, 发发NIPPS并不不是难事事, 一一些未必必很强的的工作也也能发上上去, 但对这这个圈子子之外的的人来说说, 想想发一篇篇实在很很难, 因为留留给外外人的的口子很很小. 所以对对Jorrdann系以外外的人来来说, 发NIIPS的的难度比比ICMML更大大. 换换句话说说,ICCML比比较开放放, 小小圈子的的影响不不象NIIPS那那么大, 所以以北美和和欧洲人人都认, 而NNIPSS则有些些人(特特别是一一些欧洲洲人, 包括一一些大家家)坚决决不投稿稿. 这这对会议议本身当当然并不不是好事事,但因因为Joordaan系很很强大, 所以以它似乎乎也不太太carre. 最近IIMLSS(国际际机器学学习学会会)改选选理事, 有资资格提名名的人包包括近三三年在IICMLLECMMLCOOLT发发过文章章的人, NIIPS则则被排除除在外了了. 无无论如何何, 这这是一个个非常好好的会. ACL (1-): 计计算语言言学/自自然语言言处理方方面最好好的会议议, AACL (Asssocciattionn off Coompuutattionnal Linnguiistiics) 主办办, 每每年开. KR (11-): 知识识表示和和推理方方面最好好的会议议之一, 实际际上也是是传统AAI(即即基于逻逻辑的AAI)最最好的会会议之一一. KKR IInc.主办, 现在在是偶数数年开. SIGIRR (11-): 信息息检索方方面最好好的会议议, AACM主主办, 每年开开. 这这个会现现在小圈圈子气越越来越重重. 信信息检索索应该不不算AII, 不不过因为为这里面面用到机机器学习习越来越越多, 最近几几年甚至至有点机机器学习习应用会会议的味味道了, 所以以把它也也列进来来. SIGKDDD (1-): 数数据挖掘掘方面最最好的会会议, ACMM主办, 每年年开. 这个会会议历史史比较短短,毕竟竟, 与与其他领领域相比比,数据据挖掘还还只是个个小弟弟弟甚至小小侄儿. 在几几年前还还很难把把它列在在tieer-11里面, 一方方面是名名声远不不及其他他的toop cconffereencee响亮, 另一一方面是是相对容容易被录录用. 但现在在它被列列在tiier-1应该该是毫无无疑问的的事情了了. 这这几年来来KDDD的质量量都很高高. SSIGKKDD从从20000年来来fulll ppapeer的录录取率都都在100%-112%之之间,远远远低于于IJCCAI和和ICMML. 经常听听人说,KKDD要要比IJJICAAI和IICMLL都要困困难。IIJICCAI才才6页,而而KDDD要100页。没没有扎实实系统的的工作,很很难不留留下漏洞洞。有不不少IJJICAAI的常常客也每每年都投投KDDD,可难难得几个个能经常常中。 UAI (1-): 名名字叫人工智智能中的的不确定定性, 涉及及表示推推理学习习等很多多方面, AUUAI(Asssociiatiion of UAII) 主主办, 每年开开. 我知道的几几个人工工智能会会议(二二三流)(原创为llilyybbss.uss上的ddaniiel) 纯属属个人看看法, 仅供参参考. tieer-11的列得得较全, tiier-2的不不太全, tiier-3的很很不全. 同分分的按字字母序排排列. 不很严严谨地说说, ttierr-1是是可以令令人羡慕慕的, tieer-22是可以以令人尊尊敬的,由于AAI的相相关会议议非常多多, 所所以能列列进tiier-3的也也是不错错的. tier 2: tieer-22的会议议列得不不全, 我熟悉悉的领域域比较全全一些. AAMASS (22+): aggentt方面最最好的会会议. 但是现现在aggentt已经是是一个一一般性的的概念,几乎所所有AII有关的的会议上上都有这这方面的的内容, 所以以AAMMAS下下降的趋趋势非常常明显. ECCV (2+): 计算机机视觉方方面仅次次于ICCCV的的会议, 因为为这个领领域发展展很快, 有可可能升级级到1-去. ECML (2+): 机器学学习方面面仅次于于ICMML的会会议, 欧洲人人极力捧捧场, 一些人人认为它它已经是是1-了了. 我我保守一一点, 仍然把把它放在在2+. 因为为机器学学习发展展很快, 这个个会议的的repputaatioon上升升非常明明显. ICDM (2+): 数据挖挖掘方面面仅次于于SIGGKDDD的会议议, 目目前和SSDM相相当. 这个会会只有55年历史史, 上上升速度度之快非非常惊人人. 几几年前IICDMM还比不不上PAAKDDD, 现现在已经经拉开很很大距离离了. SDM (2+): 数数据挖掘掘方面仅仅次于SSIGKKDD的的会议, 目前前和ICCDM相相当. SIAAM的底底子很厚厚,但在在CS里里面的影影响比AACM和和IEEEE还是是要小, SDDM眼看看着要被被ICDDM超过过了, 但至少少目前还还是相当当的. ICAPSS (22): 人工智智能规划划方面最最好的会会议, 是由以以前的国国际和欧欧洲规划划会议合合并来的的. 因因为这个个领域逐逐渐变冷冷清, 影响比比以前已已经小了了. ICCBRR (22): Casse-BBaseed RReassoniing方方面最好好的会议议. 因因为领域域不太大大, 而而且一直直半冷不不热, 所以总总是停留留在2上上. COLLIING (2): 计计算语言言学/自自然语言言处理方方面仅次次于ACCL的会会, 但但与ACCL的差差距比IICCVV-ECCCV和和ICMML-EECMLL大得多多. ECAI (2): 欧欧洲的人人工智能能综合型型会议, 历史史很久, 但因因为有IIJCAAI/AAAAII压着,很难往往上升. ALT (2-): 有有点象CCOLTT的tiier-2版, 但因因为搞计计算学习习理论的的人没多多少, 做得好好的数来来数去就就那么些些grooup, 基本本上到CCOLTT去了, 所以以ALTT里面有有不少并并非计算算学习理理论的内内容. EMNLPP (22-): 计算算语言学学/自然然语言处处理方面面一个不不错的会会. 有有些人认认为与CCOLLLINGG相当, 但我我觉得它它还是要要弱一点点. ILP (2-): 归归纳逻辑辑程序设设计方面面最好的的会议. 但因因为很多多其他会会议里都都有ILLP方面面的内容容, 所所以它只只能保住住2-的的位置了了. PKDD (2-): 欧洲的的数据挖挖掘会议议, 目目前在数数据挖掘掘会议里里面排第第4. 欧洲人人很想把把它抬起起来, 所以这这些年一一直和EECMLL一起捆捆绑着开开, 希希望能借借ECMML把它它带起来来.但因因为ICCDM和和SDMM, 这这已经不不太可能能了. 所以今今年的PPKDDD和ECCML虽虽然还是是一起开开, 但但已经独独立审稿稿了(以以前是可可以同时时投两个个会, 作者可可以声明明优先被被哪个会会考虑, 如果果ECMML中不不了还可可以被PPKDDD接受). tier 3: 列得很很不全. 另外外, 因因为AII的相关关会议非非常多, 所以以能列在在tieer-33也算不不错了, 基本本上能进进到所有有AI会会议中的的前300%吧 ACCV (3+): 亚洲的的计算机机视觉会会议, 在亚太太级别的的会议里里算很好好的了. DS (33+): 日本本人发起起的一个个接近数数据挖掘掘的会议议. ECIR (3+): 欧洲的的信息检检索会议议, 前前几年还还只是英英国的信信息检索索会议. ICTAII (33+): IEEEE最最主要的的人工智智能会议议, 偏偏应用, 是被被IEEEE办烂烂的一个个典型. 以前前的quualiity还还是不错错的, 但是办办得越久久声誉反反倒越差差了, 糟糕的的是似乎乎还在继继续下滑滑, 现现在其实实3+已已经不太太呆得住住了. PAKDDD (33+): 亚太太数据挖挖掘会议议, 目目前在数数据挖掘掘会议里里排第55. ICANNN (33+): 欧洲洲的神经经网络会会议, 从quualiity来来说是神神经网络络会议中中最好的的, 但但这个领领域的人人不重视视会议,在该领领域它的的重要性性不如IIJCNNN. AJCAII (33): 澳大利利亚的综综合型人人工智能能会议, 在国国家/地地区级AAI会议议中算不不错的了了. CAI (3): 加拿拿大的综综合型人人工智能能会议, 在国国家/地地区级AAI会议议中算不不错的了了. CEC (3): 进化化计算方方面最重重要的会会议之一一, 盛盛会型. IJJCNNN/CEEC/FFUZZZ-IEEEE这这三个会会议是计计算智能能或者说说软计算算方面最最重要的的会议, 它们们经常一一起开, 这时时就叫WWCCII (WWorlld CConggresss oon CCompputaatioonall Inntellliggencce). 但这这个领域域和CSS其他分分支不太太一样, 倒是是和其他他学科相相似, 只重视视jouurnaal, 不重视视会议, 所以以录用率率经常在在85%左右, 所录录文章既既有quualiity非非常高的的论文, 也有有入门新新手的习习作. FUZZ-IEEEE (3): 模糊糊方面最最重要的的会议, 盛会会型, 参见CCEC的的介绍. GECCOO (33): 进化计计算方面面最重要要的会议议之一, 与CCEC相相当,盛盛会型. ICASSSP (3): 语音音方面最最重要的的会议之之一, 这个领领域的人人也不很很carre会议议. ICIP (3): 图图像处理理方面最最著名的的会议之之一, 盛会型型. ICPR (3): 模模式识别别方面最最著名的的会议之之一, 盛会型型. IEA/AAIE (3): 人人工智能能应用会会议. 一般的的会议提提名优秀秀论文的的通常只只有几篇篇文章, 被提提名就已已经是很很高的荣荣誉了, 这个个会很有有趣, 每次都都搞1、220篇的的优秀论论文提名名, 专专门搞几几个seessiion做做被提名名论文报报告, 倒是很很热闹. IJCNNN (33): 神经网网络方面面最重要要的会议议, 盛盛会型, 参见见CECC的介绍绍. IJNLPP (33): 计算语语言学/自然语语言处理理方面比比较著名名的一个个会议.
展开阅读全文