2020 年人工智能几个重点领域顶级国际学术会议分析报告（附报告）

摘要

本报告依托 AMiner 学术会议平台，主要从论文、作者、国家、机构等多个维度，详细展示了 2020 年机器学习、计算机视觉等人工智能几个重点领域顶级国际学术会议的前沿研究成果及其特征。

核心发现

⚫ 计算机视觉和机器学习领域论文研究成果最多，总投稿量均超万篇。

⚫ 机器学习研究热点是深度学习和强化学习，相关论文占比 14.8%；计算机视觉领域研究热点是目标检测与语义分割，相关论文占比 8%。

⚫ 最佳论文全部存在跨国或跨机构合作现象。美国机构获得近八成顶会最佳论文；中国机构仅获得一篇。

⚫ 华人作者在所研究国际顶会的数量平均占比 26.05%；其中，CVPR 会议的华人作者占比最高，达 53.2%。

机器学习研究热度最高的分支是深度学习和强化学习

综合机器学习领域三个顶级会议（ICLR、NeurIPS、ICML）的论文研究点，发现近年来机器学习最热门的研究技术点是深度学习（Deep Learning）或深度神经网络（Deep Neural Networks）、强化学习（Reinforcement Learning）、深度强化学习（Deep Reinforcement Learning），尤其是深度学习中的生成式对抗网络（GAN, Generative Adversarial Networks）与循环神经网络（Recurrent Neural Network, RNN)）两大算法模型。这是该领域三个会议的研究热点词云图反映出的一致结果，相关论文量占比达 14.8%，具体信息如表 2 所示。此外，还都较多涉及了梯度下降（Gradient Descent ）方法。

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（Unsupervised Learning）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。

计算机视觉领域主要研究热点包括目标检测和语义分割

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。这两个会议的论文研究热点具体信息如表 3 所示。

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（Image Captioning）、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。