AI 深度學習：工作後的學術資源總整理

這篇文章整理了我自己工作之後，如何繼續保持與學術資源聯繫、持續精進的方法，enjoy it!

(圖：OpenAI blog)

一、學術搜尋與下載

畢業後使用學校網絡的門檻變高，使得學術資料的收集較不方便。我現在大部分閱讀的論文都是用 Google Scholar 搜尋之後找 arXiv 下載，大部分 computer science 的論文都可以在這找到，而且全是免費，真是窮人福音！

1. Google Scholar http://scholar.google.com/

Google Scholar 是 Google 於 2004 年 11 月推出的學術搜索服務，以 google 作搜尋引擎的經驗，做學術搜尋還是很值得信任的。一般來說學術文獻蒐尋分成下面兩個場景：

1. 查詢已知標題的文章 (或是使用已知的 DOI、作者、期刊名稱)
2. 用關鍵字蒐羅某主題的文章

由 Google Scholar 搜尋到的文章可能只是網站連結，還需要進去確認是否為免費下載。

2. arXiv https://arxiv.org/

arXiv.org (讀音如英語 archive) 是一個當前最流行的線上預印本資料庫，由物理學家 Paul Ginsparg 在 1991 所創立，旨在為研究者提供一個在正式同儕互評前的預印本分享平台。最初只收集物理學的論文預印本，隨後擴及數學、計算機、計量經融等其它領域。目前，該系統由美國康乃爾大學 arXiv 團隊維護，提供全球使用者免費搜尋及下載預印本，目前收藏的論文篇數大約 150 萬篇 (2019)。

優點：

• 打破出版商的壟斷和昂貴訂閱費用，讓知識傳播更容易。
• 提早展示自己的研究成果，證明論文原創性 (上傳時間戳記)。 
• 提早取得同儕的評論意見，做為改善方向。
• 打破學界和社會大眾的籓籬：更公開、更透明。

缺點：

• 沒有審查機制，難以確保品質。
• 使用 pdf 和 latex，文本分析難度較高。

二、學術頂級會議

在 CV / DL / AI 領域，頂級會議 (top conference) 是發表重大研究成果的主要方式，而不是期刊 (journals)，因此要追 state-of-the-art 的成果也以頂級會議的 paper 為主。當然以不同的地區 (歐洲、美洲、亞洲) 或各個研究領域看待不同的會議可能排名會稍有不同，但基本上來說，想上頂級會議還是非常困難的。

下面是目前 (2019) 一些著名的頂級會議整理：

1. Machine Learning

• ICML: International Conference on Machine Learning
• NIPS: Conference and Workshop on Neural Information Processing Systems (NeurIPS)
• ICLR: International Conference on Learning Representations
• COLT: Computational Learning Theory
• UAI: Uncertainty in Artificial Intelligence
• AISTATS: Artificial Intelligence and Statistics

我自己比較常看前 3 個，ICML 和 NIPS 都是老牌的會議，公認的 tier 1，而 ICLR 是由於近年來深度學習大師們大力拉拔而水平急速上升，而 COLT 是重理論的會議，UAI 和 AISTATS 則是重機率統計的會議。

2. Computer Vision

• ICCV: International Conference on Computer Vision 
• CVPR: International Conference on Computer Vision and Pattern Recognition  
• ECCV: European Conference on Computer Vision

以計算機視覺領域來說，ICCV、CVPR 和 ECCV 是 CV 領域的三大會議。ICCV 兩年舉辦一次 (奇數年)，與 ECCV 剛好錯開，ECCV 在歐洲舉辦，CVPR 則是每年在美國舉辦。

3. Data Mining

• SIGIR: ACM Special Interest Group (SIG) on Information Retrieval
• SIGKDD: ACM Special Interest Group (SIG) on Knowledge Discovery and Data Mining
• WWW: The Web Conference

SIG 是 ACM 下的興趣小組 (Special Interests Group)，很多 ACM 的興趣小組的會議，就會以 SIG-[name] 稱呼，在這裡分別是 Information Retrieval 和 Data mining。

4. Artificial Intelligence

• AAAI：American Association for Artificial Intelligence
• IJCAI：International Joint Conference on Artificial Intelligence

一樣是兩個老牌會議，但感覺大家在討論 ML 時覺得 AAAI 和 IJCAI 沒這麼頂尖，不過在 AI 領域應當還是翹楚。

三、知名科技公司部落格

最後是一些科技大廠的 research blog，通俗易懂又有頂級研究背書，是一個滿適合了解學術和產業現況的地方。

Google AI blog
https://ai.googleblog.com/

Deepmind blog
https://deepmind.com/blog/

Facebook AI Research
https://research.fb.com/category/facebook-ai-research/

Microsoft AI Blog
https://blogs.microsoft.com/ai/

Amazon AI
https://blog.aboutamazon.com/amazon-ai

AWS Machine Learning Blog
https://aws.amazon.com/tw/blogs/machine-learning/

Apple Machine Learning Journal
https://machinelearning.apple.com/

NVIDIA News AI
https://news.developer.nvidia.com/category/artificial-intelligence/

OpenAI Research
https://openai.com/research/



最後，還是給自己一點期許：少看天花亂墜的 AI 內容農場，捲起袖子努力算數學、寫程式，才能做出優質的 AI 專案！

References

Alberto Pepe, Matteo Cantiello, Josh Nicholson - The arXiv of the future will not look like the arXiv
https://www.authorea.com/users/3/articles/173764-the-arxiv-of-the-future-will-not-look-like-the-arxiv

計算機視覺三大頂級國際會議
http://www.sigvc.org/bbs/thread-59-1-1.html

roadu - 為什麽不去讀頂級會議上的論文？適應於機器學習、計算機視覺和人工智能
http://muchong.com/html/201012/2659795.html

知乎
https://www.zhihu.com/

AI會議排名_周志華
http://blog.sina.com.cn/s/blog_631a4cc40100xl7d.html