很多领域，SCI是王道，尤其在中国，在教师科研职称评审和学生毕业条件中都对SCI极为重视，而会议则充当了补充者的身份。但是在计算机领域，尤其是人工智能与机器学习领域里，往往研究者们更加青睐于会议
我无意否认SCI期刊的价值，但是在机器学习、计算机视觉和人工智能领域，顶级会议才是王道。有人会质疑这些会议都只是EI索引的。是的，这的确非常特殊：在许多其它领域，会议都是盛会，比如society of neuroscience的会议，每次都有上万人参加，带个abstract和poster就可以去。但在所讨论的几个领域，顶级会议的重要性无论怎么强调都不为过。
可以从以下几点说明：（1）因为机器学习、计算机视觉和人工智能领域发展非常迅速，新的工作层出不穷，如果把论文投到期刊上，一两年后刊出时就有点out了。因此大部分最新的工作都首先发表在顶级会议上，这些顶级会议完全能反映“热门研究方向”、“最新方法”。（2）很多经典工作大家可能引的是某顶级期刊上的论文，这是因为期刊论文表述得比较完整、实验充分。但实际上很多都是在顶级会议上首发。比如PLSA, Latent Dirichlet Allocation等。（3）如果注意这些领域大牛的pulications，不难发现他们很非常看重这些顶级会议，很多人是80%的会议+20%的期刊。即然大牛们把最新工作发在顶级会议上，有什么理由不去读顶级会议？
(1)以下是不完整的列表，但基本覆盖。
机器学习顶级会议：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）
计算机视觉和图像识别：ICCV, CVPR, ECCV; （期刊：IEEE T-PAMI, IJCV, IEEE T-IP）
人工智能：IJCAI, AAAI; （期刊AI）
另外相关的还有SIGRAPH, KDD, ACL, SIGIR, WWW等。
特别是，如果做机器学习，必须地，把近4年的NIPS, ICML翻几遍；如果做计算机视觉，要把近4年的ICCV, CVPR, NIPS, ICML翻几遍。
(2)另外补充一下：大部分顶级会议的论文都能从网上免费下载到，如CV方面：http://www.cvpapers.com/index.html; NIPS: http://books.nips.cc/; JMLR(期刊): http://jmlr.csail.mit.edu/papers/; COLT和ICML(每年度的官网): http://www.cs.mcgill.ca/~colt2009/proceedings.html。希望这些信息对大家有点帮助。
(3)说些自己的感受。我的研究方向主要是CV与Deep Learning，但统计学习和计算神经科学都有涉及，对Data mining和Natural Language Processing也有一定了解。这些领域，从方法和模型的角度看，统计模型（包括probabilistic graphical model和statistical learning theory）是主流也是非常有影响力的方法。有个非常明显的趋势：重要的方法和模型最先在NIPS或ICML出现，然后应用到CV,DM.NLP。虽然具体问题和应用也很重要，但多关注和结合这些方法也很有意义。
对于这个领域的牛人们，以上全是浅显的废话，完全可以无视。欢迎讨论。
注:
NIPS = Neural Information Processing Systems https://nips.cc/
ICML = International Conference on Machine Learning https://icml.cc
UAI(AUAI) =Association for Uncertainty in Artifical Intelligence http://www.auai.org/
AISTATS = Artificial Intelligence and Statistics http://www.aistats.org/
JMLR = Journal of Machine Learning Research http://jmlr.org/
IJCAI = International Joint Conference on Artifical Intelligence http://ijcai.org/
AAAI = Association for the Advancement of Aritifical Intelligence http://www.aaai.org/home.html
原文地址:
- 顶