智东西内参|人工智能顶会真相！深度学习热度高，论文录取率创新低

除了以上共同的研究热点，ICLR 与 ICML 都较多研究了深度学习中的对抗样本（Adversarial Examples）问题。ICLR 与 NeurIPS 会议论文都较多研究了深度学习中的卷积神经网络（Convolutional Neural Networks，CNN）算法。而 ICML和 NeurIPS 两个会议的论文都较多研究了贝叶斯优化 (Bayesian Optimization)、变分推断（Variational Inference）、高斯过程（Gaussian Process, GP）、主动学习（Active Learning）、在线学习（Online Learning）等技术点。
就单个会议而言，ICLR 会议论文还较多研究了学习表征（Learning Representations）、迁移学习（Transfer Learning）、无监督学习（UnsupervisedLearning）等方法。ICML 会议论文还涉及了少量的差分隐私（Differential Privacy）、非凸优化（Nonconvex Optimization）方法，以及结构化预测（Structured Prediction）问题；NeurIPS 会议论文还较多研究了样本复杂度（Sample Complexity）等问题。
机器学习三大顶会会议论文近年研究热点词云图
2、计算机视觉综合分析 CVPR、ECCV 两个计算机视觉领域顶级国际会议的研究点发现，目标检测（Object Detection）与语义分割（Semantic Segmentation）是计算机视觉领域近五年（2015-2020）的最热门研究点，相关论文量占比 8%。此外较热门的研究点还有行为识别（Action Recognition）、行人重识别（Person Re-Identification）、人体姿态估计(Human Pose Estimation)、图像分类（Image Classification）等问题，所采用的手段较多是深度学习（Deep Learning）及其代表算法之一卷积神经网络（Convolutional Neural Networks）等。
相对而言，CVPR 会议论文还较多研究了视觉问答（Visual Question Answering）、人脸识别（Face Recognition）等问题，以及生成式对抗网络（Generative Adversarial Networks）的模型算法；ECCV 会议论文还较多研究了人脸对齐（Face Alignment）、视频分类（Video Classification）、图像描述（ImageCaptioning）、无监督领域自适应（Unsupervised Domain Adaptation）等技术问题，以及无监督学习（Unsupervised Learning）方式。
计算机视觉顶会 CVPR 与 ECCV 会议论文近年研究热点词云图
3、自然语言处理综合分析自然语言处理领域两个国际顶会 ACL 和 EMNLP 的论文研究热点可知，神经机器翻译（Neural Machine Translation）在自然语言处理领域 2015-2020年的研究热度遥遥领先，其他较热的研究问题还有词嵌入（Word Embeddings）、智能问答（QuestionAnswering）、语义解析（Semantic Parsing）、实体识别（EntityRecognition）、文本分类（Text Classification）、关系抽取（Relation Extraction）、自然语言推理（Natural Language Inference）等技术点，较热门的研究对象是社会媒体（Social Media）。
除此之外，就单个会议而言，ACL 会议论文还较多研究了统计机器翻译（Statistical Machine Translation）、领域自适应（Domain Adaptation）、依存分析（Dependency Parsing）等问题，较热门的研究方法是深度学习（Deep Learning）以及深度学习之中的循环神经网络（Recurrent Neural Network）算法等。EMNLP会议论文还较多研究了包括语言模型（Language Modeling）、语义角色（Semantic Role）、语义分析（Semantic Analysis）等问题，方法较多是关于深度强化学习（DeepReinforcement Learning）的。

文章插图
自然语言处理顶会 ACL 与 EMNLP 论文近年研究热点词云图
4、经典 AI 领域通过分析国际顶会 IJCAI 论文发现，经典 AI 领域 2015-2020 年会议论文之中最热门的研究技术点主要为强化学习（Reinforcement Learning）、深度学习（Deep Learning）及其中的卷积神经网络（Convolutional Neural Networks）与循环神经网络（Recurrent Neural Network）算法，以及迁移学习（Transfer Learning）等，较多涉及了问答集编程（Answer Set Programming）、词嵌入（Word Embeddings）、矩阵分解（Matrix factorization）等研究问题，而社交网络（Social Networks）是这些论文较热门的研究对象。

智东西内参|人工智能顶会真相！深度学习热度高，论文录取率创新低 | ai( 二 )