《数据挖掘主要会议》由会员分享，可在线阅读，更多相关《数据挖掘主要会议（7页珍藏版）》请在金锄头文库上搜索。
1、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，哈哈有些人的工作很原创，每年总有一些很新颖的东西。有的人文章很多，但主要都是fo llow 别人的工
2、作.Database领域有不少paper machine。有的地方，整个gr oup 就是一个大的 papermachine。个人感觉数据库研究者倾向于把数据挖掘看作一个数据库的子领域，因而对数据挖掘的会议 rating较低。然而对其他背景的人而言，数据挖掘是相对独立的一个新兴领域，因而对其会 议rating比较高。SIGMOD： 97分，数据库的最高会议，涉及范围广泛，稍偏应用（因为理论文章有PODS）。 没说的，景仰如滔滔江水。这个会议不仅是double-blind review，而且有rebuttal procedure,可谓独树一帜，与众不同。VLDB： 95分，非常好的数据库会议。与
3、SIGMOD类似，涉及范围广泛，稍偏应用。从文章的质量来说，SIGMOD和VLDB难分伯仲，没有说谁比谁更高。他们的范围也几乎一样。 不少牛人都认为，今年的rebuttal procedure其实并不怎么成功。投稿太多，很难做到每一 篇都公平公正。很多rebuttal没人看。double-blind是把双刃剑。这几年来每年都有人冒充牛人的风格来投稿，有的还真进去了。反而VLDB的审稿质量一直很高。每年的VLDB都有很理论的paper。 一般来说，我感觉大家还是认为SIGMOD要好那么一点点。根据我个人读过的文章，也有这样 的感觉。不过这个并不重要了，有差别也是那么一点。PODS： 95分。是“
4、数据库理论的最好会议，也是一个很好的理论会议。每年总是co-located with SIGMOD。感觉其中算法背景的人占主流（你可以数数PODS文章中有多少来自Motwani group），也有一部分AI背景的人（毕竟SIGART也是主办者之一）。它的影响力远不及SIGM OD，然而其中文章的质量比较整齐，variance小于SIGMOD （以及其他任何数据库会议）。有 一位牛人说：“PODS never had a really bad paper，”这是它值得骄傲的地方。KDD:： full paper 95分，poster/short paper 90分。数据挖掘的最高会议。由于历史积
5、累不足以及领域圈子较小，勿用讳言KDD目前比SIGMOD尚有所不如。我觉得我们可以这样类 比:KDD:SIGMOD=CRYPTO:STOC。回顾密码学的历史，真正最牛的文章一般发在STOC/FOCS 而非CRYPTO/EUROCRYPT，这和今天的数据挖掘何等类似！然而你看看今天的密码学文章，已经有 顶级的密码学家（恕我不便写出名字）不再往STOC/FOCS投稿。我觉得同样的事情在不久的 将来也会发生在数据挖掘中，让我们拭目以待。这几年来KDD的质量都很高。其full paper的质量高于SIGMOD/VLDB中数据挖掘方面的paper的质量。原因是SIGMOD/VLDB审稿人中数据挖掘的人很
6、少，审稿标准不一定能掌握得很好。这几年好几篇SIGMOD/VLDB的数据挖掘paper都follow 一些KDD的paper。而在KDD，要拿一篇full paper真难。去年复旦拿了一篇，实属难能可贵。今年他们又拿了一个SIGMOD demo，说 明工作的确很扎实。听说在很多地方，如果能有一篇SIGMOD/VLDB/KDD，就能博士毕业，能有两篇就能找到不 错的工作。“革命尚未成功，同志仍需努力！”ICDE： 92分。很好的数据库会议，也是一个大杂绘。好处是覆盖面广、包容性强，坏处是文章水平参差不齐。EDBT： 88分，不错的数据库会议，录取率很低然而历史积累不足，影响还明显不及ICDEoI
7、CDT： 88分，PODS的欧洲版，数据库理论第二会议。和SIGMOD/VLDB 样，ICDE和EDBT在质量和影响上都不相上下。其它的如CIKM，ICDM，SDM，SSDBM，PKDD等等都比以上的会议差一截。CIKM： 85 分。SDM： full paper 90 分，poster/short paper 85 分。SIAM 的数据挖掘会议，与 ICDM 并列为 数 据挖掘领域的第二位，比KDD有明显差距。好像其中统计背景的人比较多，也有一部分机器 学习背景的人，比较diversified。ICDM： full paper 90 分，poster/short paper 85 分。IEE
8、E 的数据挖掘会议，与 SDM 并列为 数据挖掘领域的第二位，比KDD有明显差距。PKDD： 83分（因为poster/short paper数量很少，所以不予区分）。好像是KDD的欧洲版， 但与KDD差距很大。http:/ （1+）: AI最好的综合性会议，1969年开始，每两年开一次，奇数年开.因为AI实 在太大，所以虽然每届基本上能录100多篇（现在已经到200多篇了），但分到每个领域就 没几篇了，象machine learning、computer vision这么大的领域每次大概也就10篇左右， 所以难度很大.不过从录用率上来看倒不太低,基本上20%左右，因为内行人都会掂掂分 量，没
9、希望的就别浪费reviewer的时间了.最近中国大陆投往国际会议的文章象潮水一样, 而且因为国内很少有能自己把关的研究组，所以很多会议都在complain说中国的低质量文 章严重妨碍了 PC的工作效率.在这种情况下，估计这几年国际会议的录用率都会降下去. 另外，以前的IJCAI是没有poster的，03年开始，为了减少被误杀的好人，增加了 2页纸 的post er 值得一提的是，IJCAI是由貌似一个公司IJCAI Inc.主办的（当然实际上并不是 公司，实际上是个基金会），每次会议上要发几个奖，其中最重要的两个是IJCAI Research Excellence Award 和 Comput
10、er& Thoughts Award,前者是终身成就奖，每次一 个人，基本上是AI的最高奖（有趣的是，以AI为主业拿图灵奖的6位中，有2位还没得到 这个奖），后者是奖给35岁以下的青年科学家，每次一个人.这两个奖的获奖演说是每次 IJCAI的一个重头戏.另外，IJCAI的PC member相当于其他会议的area chair,权力很大， 因为是由PC member去找reviewer来审，而不象一般会议的PC member其实就是 reviewer.为了制约这种权力，IJCAI的审稿程序是每篇文章分配2位PC member, primary PC member 去找 3 位 reviewer,
11、 second PC member 找一位.AAAI (1):美国人工智能学会AAAI的年会.是一个很好的会议，但其档次不稳定，可以给 到1+,也可以给到1-或者2+,总的来说我给它1.这是因为它的开法完全受IJCAI制约： 每年开，但如果这一年的IJCAI在北美举行，那么就停开.所以，偶数年里因为没有IJCAI, 它就是最好的AI综合性会议，但因为号召力毕竟比IJCAI要小一些，特别是欧洲人捧AAAI 场的比IJCAI少得多(其实亚洲人也是)，所以比IJCAI还是要稍弱一点，基本上在1和1+ 之间；在奇数年，如果IJCAI不在北美，AAAI自然就变成了比IJCAI低一级的会议(1-或2+),
12、 例如2005年既有IJCAI又有AAAI,两个会议就进行了协调，使得IJCAI的录用通知时间比 AAAI的deadline早那么几天，这样IJCAI落选的文章可以投往AAAI.在审稿时IJCAI的PC chair也在一直催，说大家一定要快，因为AAAI那边一直在担心IJCAI的录用通知出晚了 AAAI就麻烦了.COLT (1):这是计算学习理论最好的会议，ACM主办，每年举行.计算学习理论基本上可以 看成理论计算机科学和机器学习的交叉，所以这个会被一些人看成是理论计算机科学的会 而不是AI的会.我一个朋友用一句话对它进行了精彩的刻画：一小群数学家在开会.因 为COLT的领域比较小，所以每年会
13、议基本上都是那些人.这里顺便提一件有趣的事，因为 最近国内搞的会议太多太滥，而且很多会议都是LNCS/LNAI出论文集，LNCS/LNAI基本上已 经被搞臭了，但很不幸的是，LNCS/LNAI中有一些很好的会议，例如COLT.CVPR (1):计算机视觉和模式识别方面最好的会议之一，IEEE主办，每年举行.虽然题目 上有计算机视觉，但个人认为它的模式识别味道更重一些.事实上它应该是模式识别最好 的会议，而在计算机视觉方面，还有ICCV与之相当.IEEE 一直有个倾向，要把会办成盛 会，历史上已经有些会被它从quality很好的会办成盛会了. CVPR搞不好也要走这条路. 这几年录的文章已经不少
14、了.最近负责CVPR会议的TC的chair发信说，对这个community 来说，让好人被误杀比被坏人漏网更糟糕，所以我们是不是要减少好人被误杀的机会啊？ 所以我估计明年或者后年的CVPR就要扩招了.ICCV (1):介绍CVPR的时候说过了，计算机视觉方面最好的会之一.IEEE主办.ICCV逢奇 数年开，开会地点以往是北美，欧洲和亚洲轮流，本来2003年定在北京，后来因Sars和原 定05年的法国换了一下。ICCV07年将首次在南美(巴西)举行.CVPR原则上每年在北美开，如果那年正好ICCV在北美，则该年没有CVPR.ICML (1):机器学习方面最好的会议之一.现在是IMLS主办，每年举
15、行.参见关于NIPS 的介绍.NIPS (1):神经计算方面最好的会议之一，NIPS主办，每年举行.值得注意的是，这个会 每年的举办地都是一样的，以前是美国丹佛，现在是加拿大温哥华；而且它是年底开会， 会开完后第2年才出论文集，也就是说，NIPS05的论文集是06年出.会议的名字是 Advances in Neural Inxxxxation Processing Systems,所以，与 ICMLECML 这样的标 准的机器学习会议不同，NIPS里有相当一部分神经科学的内容，和机器学习有一定的距离. 但由于会议的主体内容是机器学习，或者说与机器学习关系紧密，所以不少人把NIPS看成 是机器学
16、习方面最好的会议之一.这个会议基本上控制在MichaelJordan的徒子徒孙手中， 所以对Jordan系的人来说，发NIPS并不是难事，一些未必很强的工作也能发上去，但对这 个圈子之外的人来说，想发一篇实在很难，因为留给外人的口子很小.所以对Jordan系 以外的人来说，发NIPS的难度比ICML更大.换句话说,ICML比较开放，小圈子的影响不象 NIPS那么大，所以北美和欧洲人都认，而NIPS则有些人(特别是一些欧洲人，包括一些大 家)坚决不投稿.这对会议本身当然并不是好事,但因为Jordan系很强大，所以它似乎也不 太care.最近IMLS(国际机器学习学会)改选理事，有资格提名的人包括近三年在 ICMLECMLCOLT发过文章的人，NI
