Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

杜伟、陈萍编辑

ICLR 2022初审你得了多少分?平均4.93浮动,预测6分才被接收

晒出自己的分数吧!

深度学习顶会 ICLR 2022(第十届)将于明年 4 月 25 日至 29 日线上举行。论文提交已于上月 6 日截止,根据此前官网发布的数据,本届会议共收到了 3407 篇投稿,比去年增加了 400 多篇。


今日,ICLR 2022 官方放出了论文初审结果。

热衷于顶会数据挖掘的 Criteo AI Lab 机器学习科学家 Sergey Ivanov 对本届 ICLR 投稿的得分情况进行了整理。

首先,本届会议共接收了 3325 篇有效投稿,给出了 12981 个评论。


完整投稿得分列表请戳:https://docs.google.com/spreadsheets/d/1Fdop2Byzhxx5gKI4YZXqq_L-akDG8GwdGMqb_4IbS38/edit#gid=232519225

其次,ICLR 2022 投稿的平均分为 4.93(+- 1.15) ,作为对比,ICLR 2021 rebuttal 后的平均分为 5.37( +- 0.96)。数据显示,31 篇投稿的平均分为 8 分,39 篇投稿得到最高分 10 分,没有 1 篇投稿得到两个以上的 10 分。


下图为 31 篇平均分 8 分的投稿以及它们的具体得分情况。


最后,ICLR 2022 投稿的平均置信度分数为 3.69(+- 0.45) 。


ICLR 2022 审稿结果出来了,该如何做?

论文产出不容易,想必此前投 ICLR 2022 会议的小伙伴都在等待初审结果。现在结果终于出来了,你的论文得了多少分呢?在讨论得分之前,首先我们先要感谢 Sergey Ivanov 的对评审结果的整理。


知乎网友表示,自己的论文得分为「8,6,6,3」,其中有一项得分为 3 分的原因是自己没有引用综述,并且论文所提方法太一般。


还有网友从得分结果总结出经验,认为论文全部使用大写标题与获得低分之间存在显着相关性。


对于获得多少分才能被 ICLR 2022 会议接收?Sergey Ivanov 给出了自己的预测,他表示,「如果录取率与 2021 年保持一致——29%,则平均分 6 分左右才有可能被会议接收。」

所以,对自己的初审分数不满意的小伙伴,根据评审意见努力修改并 rebuttal 吧。就算有得 1 分的小伙伴,使使劲,可能还有翻盘的机会。

不同研究方向,投稿趋势

除了评审结果外,大家比较关注的可能就是投稿趋势了。此前在 GitHub 上一个名为 ICLR2022-OpenReviewData 的项目爬取了 ICLR 2022 的所有投稿论文。结果表明热度前 50 的投稿关键词中,强化学习深度学习图神经网络排在前三位,从统计结果可以看出,强化学习深度学习的投稿数量远超其他领域。


关键词云提交的关键词形成的词云展示了热点话题,包括深度学习强化学习图神经网络等。


通过对标题关键词出现的频率进行分析,论文作者更喜欢用表示(representation)这个词,其次是强化(reinforcement),第三名是图(graph),这三个词出现的频率几乎相当。


参考链接:
https://guoqiangwei.xyz/htmls/iclr2022_stats.html
https://github.com/EdisonLeeeee/ICLR2022-OpenReviewData
https://twitter.com/SergeyI49013776/status/1458018709847560193
https://www.reddit.com/r/MachineLearning/comments/qq5c51/d_iclr2022_review_stats/
入门论文评审ICLR
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

图神经网络技术

图网络即可以在社交网络或其它基于图形数据上运行的一般深度学习架构,它是一种基于图结构的广义神经网络。图网络一般是将底层图形作为计算图,并通过在整张图上传递、转换和聚合节点特征信息,从而学习神经网络基元以生成单节点嵌入向量。生成的节点嵌入向量可作为任何可微预测层的输入,并用于节点分类或预测节点之间的连接,完整的模型可以通过端到端的方式训练。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

知乎机构

知乎,中文互联网综合性内容平台,自 2010 年成立以来,知乎凭借认真、专业、友善的社区氛围,独特的产品机制,以及结构化、易获得的优质内容,聚集了中文互联网科技、商业、影视、时尚、文化等领域最具创造力的人群,已成为综合性、全品类,在诸多领域具有关键影响力的内容平台。知乎将AI广泛应用与社区,构建了人、内容之间的多元连接,提升了社区的运转效率和用户体验。知乎通过内容生产、分发,社区治理等领域的AI应用,也创造了独有的技术优势和社区AI创新样本。

zhihu.com
推荐文章
暂无评论
暂无评论~