輕量化神經網路有哪些期刊

⑴ appliedintelligence多久proof

appliedintelligence多久proof sci文章proof一般7天完成合適，因為sci論文接受後是需要審核的，外審、終審之後才能到校稿環節也就是proof的一個狀態，通常來說論文審核的比較順利，論文接受後沒有一個月時間就校稿了。
如果審核過程中比較繁瑣，尤其是會收到修改的通知，反復修改這樣就會耗費不少時間，可能三個月甚至更久才能到校稿環節。

⑵ 中北大學的學術研究

截至2013年12月，中北大學共建成省部共建國家重點實驗室培育基地1個，教育部重點實驗室1個，國防科技重點實驗室1個，國防重點學科實驗室1個，中國兵器工業實驗室1個，省級重點實驗室6個；省部級工程中心15個，包括教育部工程研究中心2個，國防科技工業先進技術研究應用中心1個，省級工程技術研究中心16個 ，中澳聯合研究中心1個，校企合作聯合實驗室2個。
中澳聯合研究中心（1個）：電力工程中澳聯合研究中心

國家級工程技術研究中心（5個）：鎂合金關鍵技術及工藝國家地方聯合工程研究中心、精密塑性成形國防先進工業技術研究應用中心（技術依託單位）、國防科技工業民爆制備工藝技術研究應用中心（成員單位）、物聯網應用技術國家地方聯合工程研究中心（與羅克佳華共建）、中國兵器無損檢測診斷中心
國家級工程實踐教育中心（4個）：晉西機器工業集團有限責任公司、山西北方風雷工業集團有限公司、山西北方興安化學工業有限公司、深圳市金之彩科技有限公司
國家級研究所（1個）：中北大學國家區域創新戰略研究所
國家大學科技園（1個）：山西中北大學國家大學科技園
國防科技重點實驗室（1個）：電子測試技術國防科技重點實驗室
國防重點學科實驗室（1個）：地下目標毀傷技術國防重點學科實驗室
中國兵器工業實驗室（1個）：傳爆葯性能檢測中心實驗室
省部共建國家重點實驗室培育基地（1個）：動態測試技術省部共建國家重點實驗室
省部級重點實驗室（1個）：高射速武器國防特色學科實驗室
教育部工程研究中心（2個）：鎂基材料深加工技術教育部工程研究中心、微納慣性感測與集成技術教育部工程研究中心
教育部重點實驗室（1個）：儀器科學與動態測試教育部重點實驗室
省級工程技術研究中心（15個）：山西省集成精密成形工程研究技術中心、山西省現代無損檢測工程技術研究中心、山西省超細粉體工程技術研究中心、山西省微米納米工程技術研究中心、山西省超重力化工工程技術研究中心、山西省高分子復合材料工程技術研究中心、山西省鑄造新工藝工程技術研究中心、山西省光電信息與儀器工程技術研究中心、山西省工程塑料工程技術研究中心、山西省防火防爆安全工程技術研究中心、山西省自動化檢測裝備與系統工程技術研究中心、山西省起重機數字化設計工程技術研究中心、山西省有色金屬液態成型工程技術研究中心、山西省激光顯示工程技術研究中心、山西省深孔加工工程技術研究中心
省級重點實驗室（6個）：動態測試技術山西省重點實驗室、先進製造技術山西省重點實驗室、信息探測與處理山西省重點實驗室、超重力化工山西省重點實驗室、納米功能復合材料山西省重點實驗室、煤電污染物控制與資源化利用山西省重點實驗室
省級人文社科重點研究基地（1個）：中北大學「創新研究中心
校企合作聯合實驗室（2個）：施耐德聯合實驗室、位置應用技術聯合實驗室 十一五規劃以來，中北大學先後承擔國家級項目254項，各類項目總數3600餘項，科研項目總經費近22億元，獲得國家科技二等獎5項，省部級科技獎96項，發表SCI、EI收錄論文近6000篇，出版學術專著和教材330餘部。
2010年至2013年，中北大學承擔國家自然科學基金項目累計達70餘項，國家863項目12項，國家973項目10項，國家國際合作項目8項。在國防科研方面，承擔總裝備部預研項目400餘項、科工局國防項目100餘項，其中我校牽頭負責的科工局重大專項2項、總裝演示驗證項目1項，086重大項目1項。此外，2012年，該校劉俊教授獲得國家傑出青年科學基金項目支持；2013年，劉有智教授獲得何梁何利基金科學與技術創新獎。 國家技術發明獎（二等獎5項，三等獎7項）科研成果 獎項 獲獎時間 獲獎者 備注 電子測壓蛋 國家技術發明二等獎 1991年 祖靜 第一單位 新型三軸加速度慣性感測器與實時數據壓縮儲存動態測試系統 國家技術發明二等獎 2004年 張文棟 第一單位 多功能反應裝甲 國家技術發明二等獎 2006年 劉天生 第二單位 XXX發射葯技術 國家技術發明二等獎 2008年 肖忠良 第一單位 納機電矢量水聽器 國家技術發明二等獎 2010年 張文棟 第一單位 電子衍射測晶體結構 國家技術發明三等獎 1991年 王建邦 第二單位 防大口徑穿破甲彈裝置 國家技術發明三等獎 1993年 劉天生 第一單位 彈載全彈道動態參數快速存儲測試系統 國家技術發明三等獎 1995年 祖靜 第一單位 可燃葯筒粘結在線無損診斷方法設備 國家技術發明三等獎 2001年 路宏年 第一單位 可燃液體爆炸試驗裝置 國家技術發明三等獎 2001年 張景林 第一單位 XX粘貼質量在線無損診斷的方法及設備 國家技術發明三等獎 1999年 王明泉 第二單位 粘接強度檢測系統 國家技術發明三等獎 涉密 涉密 第一單位 國家科學技術進步獎（一等獎1項，二等獎6項，三等獎3項）科研成果 獎項 獲獎時間 獲獎者 備注 尼龍11樹脂 一等獎 涉密 胡國勝 第一單位 火箭掃雷系統 二等獎 1990年 劉天生 第二單位 XXX（涉密）傳爆葯安全性試驗方法 二等獎 1996年 張景林 第一單位 XXX（涉密）子母彈 二等獎 2001年 王堅茹 第一單位 某模塊化、系列化技術研究 二等獎 2011年 熊繼軍 第一單位 某大構件輕量化關鍵技術及應用 二等獎 2011年 張治民 第一單位 化工廢氣超重力凈化技術的研發與工業應用 二等獎 2011年 劉有智 第一單位 包覆材料厚度超聲檢測技術 三等獎 1996年 路宏年 第一單位 火箭發動機脫粘檢測系統 三等獎 涉密 涉密 第一單位 某框架溫成形技術 三等獎 2006年 張治民 第一單位 國防科學技術進步獎（一等獎3項，二等獎10項，三等獎16項）科研成果 獎項 獲獎時間 獲獎者 備注 XX（涉密）關鍵製造技術 國防科技進步一等獎 2010年 徐宏 第一單位 XXX（涉密）黑匣子 國防科技進步一等獎 2010年 熊繼軍 第一單位 涉密 國防科技進步一等獎 2010年 張治民 第一單位 大型復雜鋁鑄件熱工藝過程模擬及新工藝研究 國防科技進步二等獎 2002年 涉密 第一單位 大型鑄件內部缺陷檢測技術 國防科技進步二等獎 2002年 王召巴 第一單位 頂防護輕型反應裝甲 國防科技進步二等獎 2002年 涉密 第一單位 高效彈葯及高射頻低後坐發射技術 國防科技進步二等獎 2002年 薄玉成 第一單位 戰略導彈再入過程動態數據測試系統 國防科技進步二等獎 2003年 劉俊 第一單位 復合感測器及微型集成測量系統研究 國防科技進步二等獎 2004年 張文棟 第一單位 某導彈遙測匹配裝置自動檢測系統 國防科技進步二等獎 2004年 張文棟 第一單位 XXX（涉密）產品結構內視技術 國防科技進步二等獎 2005年 韓焱 第一單位 XXX（涉密）拋撒角速度及角速度測試技術 國防科技進步二等獎 2005年 馬鐵華 第一單位 侵徹過載測試技術 國防科技進步二等獎 2005年 張文棟 第一單位 火箭發射動力學—起始擾動研究 國防科技進步三等獎 2000年 涉密 第一單位 固體火箭發動機裝葯包覆狀態無損檢測技術及設備 國防科技進步三等獎 2001年 王召巴 第一單位 單管大口徑機槍低後坐浮動技術 國防科技進步三等獎 2001年 涉密 第一單位 鈍感傳爆葯技術 國防科技進步三等獎 2001年 涉密 第一單位 坦克動力系統零部件動態設計技術研究 國防科技進步三等獎 2001年 涉密 第一單位 破甲彈葯尾翼等溫成形技術 國防科技進步三等獎 2002年 涉密 第一單位 軍用發動機關鍵零部件CAD技術 國防科技進步三等獎 2002年 涉密 第一單位 輕武器動態優化、模擬及可靠性技術研究 國防科技進步三等獎 2002年 涉密 第一單位 XX（涉密）再入過程動態數據測試系統 國防科技進步三等獎 2003年 劉俊 第一單位 創傷彈道研究專用激光測速靶 國防科技進步三等獎 2004年 李仰軍 第一單位 等溫擠壓技術 國防科技進步三等獎 2004年 張治民 第一單位 XX（涉密）飛控數據實時檢測存儲系統 國防科技進步三等獎 2005年 劉俊 第一單位 彈用集成硅微加速度計 國防科技進步三等獎 2006年 張文棟 第一單位 靶場設備導彈前框瞬態高溫測量系統 國防科技進步三等獎 2007年 周漢昌 第一單位 XX（涉密）壽命可靠性研究 國防科技進步三等獎 2010年 周桂春 第一單位 XXX（涉密）飛行姿態測量系統 國防科技進步三等獎 2010年 任勇峰 第一單位 教育部科學技術進步獎（一等獎1項，二等獎6項）科研成果 獎項 獲獎時間 獲獎者 備注 導彈數據記錄設備 一等獎 2001年 張文棟 第一單位 高能X射線數字成像系統與技術 二等獎 2002年 韓焱 第一單位 難加工零件溫冷近凈成形與改性技術 二等獎 2002年 張治民 第一單位 炮射導彈測試彈技術 二等獎 2005年 張文棟 第一單位 直齒圓柱齒輪精密塑性成形工程化應用研究 二等獎 2005年 張治民 第一單位 基於數字平板探測器的工業DR/CT成像檢測技術與系統 二等獎 2006年 韓焱 第一單位 激光打孔 二等獎 2009年 涉密 第一單位 山西省自然科學、技術發明、科技進步一等獎（共5項）科研成果 獎項 獲獎時間 獲獎者 備注 生物動力系統的建模與研究 山西省自然科學一等獎 2010年 靳幀 第一單位 微感測器軸心差角四點法與雙彈頭沖擊差分法靜動態特性測試技術 山西省技術發明一等獎 2009年 張文棟 第一單位 車輛用鎂合金大型承力構建控製成形技術及裝置 山西省技術發明一等獎 2010年 張治民 第一單位 XX-xx（涉密）彈載數據記錄裝置 山西省科技進步一等獎 2001年 張文棟 第一單位 可調諧脈沖激光波長和入射方位相幹探測裝置 山西省科技進步一等獎 2008年 張記龍 第一單位 館藏資源 截至2016年2月， 中北大學圖書館有中外文圖書和電子圖書291萬冊，中外文期刊24627種。館藏文獻包括數、理、化、外語等基礎學科和工程技術、機械工程、材料科學、兵器工程、自動控制工程、電子技術、計算機科學、化學工程、測試技術及儀表、交通、環境科學等應用技術學科，同時收藏了人文社科、管理科學、體育等文獻資料；擁有電子資源資料庫32種，包括CNKI學術期刊及優秀碩博論文庫、萬方數據及萬方學位論文、超星數字圖書館、重慶維普、SDOL、Ei等中外文電子資料庫。 學術期刊 據中北大學出版中心網站2015年11月信息顯示，中北大學共編輯出版有《中北大學學報（自然科學版）》、《中北大學學報（社會科學版）》、《測試技術學報》、《Journal of Measurement Science and Instrumentation》等4個學術刊物。
《中北大學學報（自然科學版）》創刊於1979年，是中文核心期刊，前身為《華北工學院學報》，期刊以基礎理論、應用科學和工程技術為主要刊登內容，設應用基礎研究、機械與動力工程、自動化與計算機、化工與環境工程、電子與電子信息、材料科學與管理工程等欄目，曾獲國家教委科技司全國高校優秀學報二等獎、國家教委科技司全國高校優秀學報二等獎、中國教育部優秀期刊三等獎、全國高校科技期刊優秀編輯質量獎、中國科技論文在線優秀期刊二等獎；多次獲山西省高校學報一等獎、山西省一級期刊、兵器工業總公司優秀期刊三等獎等諸多榮譽，被《中文科技期刊資料庫》（全文版）、《中國期刊全文資料庫》（CJFD）、美國《工程索引》（EI）、美國《化學文摘》（CA）、英國《科學文摘》（SA）、荷蘭《文摘與引文資料庫》（Scopus）等全文收錄。
《中北大學學報（社會科學版）》創刊於1985年，是由中北大學主管、主辦的社科綜合類學術性期刊，雙月刊被中國知網、萬方數據、維普資訊等中國國內重要檢索資料庫收錄，設政治理論、哲學研究、思想政治教育、文學理論、外語研究、語言文字學、經濟與管理、法學研究、體育理論、民俗學與區域文化研究等欄目。
《測試技術學報》創刊於1986年，是由「中國兵工學會」與「中北大學」合辦，是「中國兵工學會測試技術學會」會刊、中國科技核心期刊。2002年起，《測試技術學報》連年被評為山西省一級期刊。2009年《測試技術學報》獲全國高校科技期刊優秀編輯質量獎，設聲與超聲測量、在線測試、測量儀器、ADC、DAC和數據採集、實驗技術與標准、動態測試系統、環境測量、數據壓縮、人工智慧與神經網路、電磁測量、微波測量、測控技術與匯流排技術、雜訊與振動測量、遙感、遙測與遙控、VXI儀器、無損檢測、光電測試、生物測試、量子測試、分析測試、材料測試、軟體測試、火炸葯測試、感測器技術、微型機械電子系統等欄目。
《Journal of Measurement Science and Instrumentation》（《測試科學與儀器》）創刊於2010年，是國家新聞出版總署批准，由中北大學主辦的英文類國際性學術期刊，旨在報道國內外最新測試與儀器技術動態，關注測試與儀器科學技術的熱點、難點問題，為從事信息獲取與轉換研究的科學工作者提供學術觀點的展示和交流平台。

⑶ tnnls是否為頂級期刊

是。tnnls是在美國電氣和電子工程師協會（IEEE）人工智慧及機器學習領域國際頂級期刊，旨在出版神經網路和學習系統方面的理論、設計和應用的技術文章，是屬於頂尖期刊文章。

⑷ 神經網路模型-27種神經網路模型們的簡介

​ 

【1】Perceptron(P) 感知機

【1】感知機 

感知機是我們知道的最簡單和最古老的神經元模型，它接收一些輸入，然後把它們加總，通過激活函數並傳遞到輸出層。

【2】Feed Forward(FF)前饋神經網路

 【2】前饋神經網路

前饋神經網路（FF），這也是一個很古老的方法——這種方法起源於50年代。它的工作原理通常遵循以下規則：

1.所有節點都完全連接

2.激活從輸入層流向輸出，無回環

3.輸入和輸出之間有一層（隱含層）

在大多數情況下，這種類型的網路使用反向傳播方法進行訓練。

【3】Radial Basis Network(RBF) RBF神經網路

 【3】RBF神經網路

RBF 神經網路實際上是 激活函數是徑向基函數 而非邏輯函數的FF前饋神經網路（FF）。兩者之間有什麼區別呢？

邏輯函數--- 將某個任意值映射到[0 ,... 1]范圍內來，回答「是或否」問題。適用於分類決策系統，但不適用於連續變數。

相反， 徑向基函數--- 能顯示「我們距離目標有多遠」。 這完美適用於函數逼近和機器控制（例如作為PID控制器的替代）。

簡而言之，RBF神經網路其實就是， 具有不同激活函數和應用方向的前饋網路 。

【4】Deep Feed Forword(DFF)深度前饋神經網路

【4】DFF深度前饋神經網路 

DFF深度前饋神經網路在90年代初期開啟了深度學習的潘多拉盒子。 這些依然是前饋神經網路，但有不止一個隱含層 。那麼，它到底有什麼特殊性？

在訓練傳統的前饋神經網路時，我們只向上一層傳遞了少量的誤差信息。由於堆疊更多的層次導致訓練時間的指數增長，使得深度前饋神經網路非常不實用。 直到00年代初，我們開發了一系列有效的訓練深度前饋神經網路的方法; 現在它們構成了現代機器學習系統的核心 ，能實現前饋神經網路的功能，但效果遠高於此。

【5】Recurrent Neural Network(RNN) 遞歸神經網路

【5】RNN遞歸神經網路 

RNN遞歸神經網路引入不同類型的神經元——遞歸神經元。這種類型的第一個網路被稱為約旦網路（Jordan Network），在網路中每個隱含神經元會收到它自己的在固定延遲（一次或多次迭代）後的輸出。除此之外，它與普通的模糊神經網路非常相似。

當然，它有許多變化 — 如傳遞狀態到輸入節點，可變延遲等，但主要思想保持不變。這種類型的神經網路主要被使用在上下文很重要的時候——即過去的迭代結果和樣本產生的決策會對當前產生影響。最常見的上下文的例子是文本——一個單詞只能在前面的單詞或句子的上下文中進行分析。

【6】Long/Short Term Memory (LSTM) 長短時記憶網路

【6】LSTM長短時記憶網路 

LSTM長短時記憶網路引入了一個存儲單元，一個特殊的單元，當數據有時間間隔（或滯後）時可以處理數據。遞歸神經網路可以通過「記住」前十個詞來處理文本，LSTM長短時記憶網路可以通過「記住」許多幀之前發生的事情處理視頻幀。 LSTM網路也廣泛用於寫作和語音識別。

存儲單元實際上由一些元素組成，稱為門，它們是遞歸性的，並控制信息如何被記住和遺忘。

【7】Gated Recurrent Unit (GRU)

 【7】GRU是具有不同門的LSTM

GRU是具有不同門的LSTM。

聽起來很簡單，但缺少輸出門可以更容易基於具體輸入重復多次相同的輸出，目前此模型在聲音（音樂）和語音合成中使用得最多。

實際上的組合雖然有點不同：但是所有的LSTM門都被組合成所謂的更新門(Update Gate)，並且復位門(Reset Gate)與輸入密切相關。

它們比LSTM消耗資源少，但幾乎有相同的效果。

【8】Auto Encoder (AE) 自動編碼器

 【8】AE自動編碼器

Autoencoders自動編碼器用於分類，聚類和特徵壓縮。

當您訓練前饋(FF)神經網路進行分類時，您主要必須在Y類別中提供X個示例，並且期望Y個輸出單元格中的一個被激活。 這被稱為「監督學習」。

另一方面，自動編碼器可以在沒有監督的情況下進行訓練。它們的結構 - 當隱藏單元數量小於輸入單元數量（並且輸出單元數量等於輸入單元數）時，並且當自動編碼器被訓練時輸出盡可能接近輸入的方式，強制自動編碼器泛化數據並搜索常見模式。

【9】Variational AE (VAE)  變分自編碼器

 【9】VAE變分自編碼器

變分自編碼器，與一般自編碼器相比，它壓縮的是概率，而不是特徵。

盡管如此簡單的改變，但是一般自編碼器只能回答當「我們如何歸納數據？」的問題時，變分自編碼器回答了「兩件事情之間的聯系有多強大？我們應該在兩件事情之間分配誤差還是它們完全獨立的？」的問題。

【10】Denoising AE (DAE) 降噪自動編碼器

 【10】DAE降噪自動編碼器

雖然自動編碼器很酷，但它們有時找不到最魯棒的特徵，而只是適應輸入數據（實際上是過擬合的一個例子）。

降噪自動編碼器（DAE）在輸入單元上增加了一些雜訊 - 通過隨機位來改變數據，隨機切換輸入中的位，等等。通過這樣做，一個強制降噪自動編碼器從一個有點嘈雜的輸入重構輸出，使其更加通用，強制選擇更常見的特徵。

【11】Sparse AE (SAE) 稀疏自編碼器

【11】SAE稀疏自編碼器 

稀疏自編碼器（SAE）是另外一個有時候可以抽離出數據中一些隱藏分組樣試的自動編碼的形式。結構和AE是一樣的，但隱藏單元的數量大於輸入或輸出單元的數量。

【12】Markov Chain (MC) 馬爾科夫鏈

 【12】Markov Chain (MC) 馬爾科夫鏈

馬爾可夫鏈（Markov Chain, MC）是一個比較老的圖表概念了，它的每一個端點都存在一種可能性。過去，我們用它來搭建像「在單詞hello之後有0.0053％的概率會出現dear，有0.03551%的概率出現you」這樣的文本結構。

這些馬爾科夫鏈並不是典型的神經網路，它可以被用作基於概率的分類（像貝葉斯過濾），用於聚類（對某些類別而言），也被用作有限狀態機。

【13】Hopfield Network (HN) 霍普菲爾網路

【13】HN霍普菲爾網路 

霍普菲爾網路（HN）對一套有限的樣本進行訓練，所以它們用相同的樣本對已知樣本作出反應。

在訓練前，每一個樣本都作為輸入樣本，在訓練之中作為隱藏樣本，使用過之後被用作輸出樣本。

在HN試著重構受訓樣本的時候，他們可以用於給輸入值降噪和修復輸入。如果給出一半圖片或數列用來學習，它們可以反饋全部樣本。

【14】Boltzmann Machine (BM) 波爾滋曼機

【14】 BM 波爾滋曼機 

波爾滋曼機（BM）和HN非常相像，有些單元被標記為輸入同時也是隱藏單元。在隱藏單元更新其狀態時，輸入單元就變成了輸出單元。（在訓練時，BM和HN一個一個的更新單元，而非並行）。

這是第一個成功保留模擬退火方法的網路拓撲。

多層疊的波爾滋曼機可以用於所謂的深度信念網路，深度信念網路可以用作特徵檢測和抽取。

【15】Restricted BM (RBM) 限制型波爾滋曼機

【15】 RBM 限制型波爾滋曼機 

在結構上，限制型波爾滋曼機（RBM）和BM很相似，但由於受限RBM被允許像FF一樣用反向傳播來訓練（唯一的不同的是在反向傳播經過數據之前RBM會經過一次輸入層）。

【16】Deep Belief Network (DBN) 深度信念網路

【16】DBN 深度信念網路 

像之前提到的那樣，深度信念網路（DBN）實際上是許多波爾滋曼機（被VAE包圍）。他們能被連在一起（在一個神經網路訓練另一個的時候），並且可以用已經學習過的樣式來生成數據。

【17】Deep Convolutional Network (DCN) 深度卷積網路

【17】 DCN 深度卷積網路

當今，深度卷積網路（DCN）是人工神經網路之星。它具有卷積單元（或者池化層）和內核，每一種都用以不同目的。

卷積核事實上用來處理輸入的數據，池化層是用來簡化它們（大多數情況是用非線性方程，比如max），來減少不必要的特徵。

他們通常被用來做圖像識別，它們在圖片的一小部分上運行（大約20x20像素）。輸入窗口一個像素一個像素的沿著圖像滑動。然後數據流向卷積層，卷積層形成一個漏斗（壓縮被識別的特徵）。從圖像識別來講，第一層識別梯度，第二層識別線，第三層識別形狀，以此類推，直到特定的物體那一級。DFF通常被接在卷積層的末端方便未來的數據處理。

【18】Deconvolutional Network (DN) 去卷積網路

 【18】 DN 去卷積網路

去卷積網路（DN）是將DCN顛倒過來。DN能在獲取貓的圖片之後生成像（狗：0，蜥蜴：0，馬：0，貓：1）一樣的向量。DNC能在得到這個向量之後，能畫出一隻貓。

【19】Deep Convolutional Inverse Graphics Network (DCIGN) 深度卷積反轉圖像網路

【19】 DCIGN 深度卷積反轉圖像網路

深度卷積反轉圖像網路（DCIGN），長得像DCN和DN粘在一起，但也不完全是這樣。

事實上，它是一個自動編碼器，DCN和DN並不是作為兩個分開的網路，而是承載網路輸入和輸出的間隔區。大多數這種神經網路可以被用作圖像處理，並且可以處理他們以前沒有被訓練過的圖像。由於其抽象化的水平很高，這些網路可以用於將某個事物從一張圖片中移除，重畫，或者像大名鼎鼎的CycleGAN一樣將一匹馬換成一個斑馬。

【20】Generative Adversarial Network (GAN) 生成對抗網路

 【20】 GAN 生成對抗網路

生成對抗網路（GAN）代表了有生成器和分辨器組成的雙網路大家族。它們一直在相互傷害——生成器試著生成一些數據，而分辨器接收樣本數據後試著分辨出哪些是樣本，哪些是生成的。只要你能夠保持兩種神經網路訓練之間的平衡，在不斷的進化中，這種神經網路可以生成實際圖像。

【21】Liquid State Machine (LSM) 液體狀態機

 【21】 LSM 液體狀態機

液體狀態機（LSM）是一種稀疏的，激活函數被閾值代替了的（並不是全部相連的）神經網路。只有達到閾值的時候，單元格從連續的樣本和釋放出來的輸出中積累價值信息，並再次將內部的副本設為零。

這種想法來自於人腦，這些神經網路被廣泛的應用於計算機視覺，語音識別系統，但目前還沒有重大突破。

【22】Extreme  Learning Machine (ELM) 極端學習機

【22】ELM 極端學習機 

極端學習機（ELM）是通過產生稀疏的隨機連接的隱藏層來減少FF網路背後的復雜性。它們需要用到更少計算機的能量，實際的效率很大程度上取決於任務和數據。

【23】Echo State Network (ESN) 回聲狀態網路

【23】 ESN 回聲狀態網路

回聲狀態網路（ESN）是重復網路的細分種類。數據會經過輸入端，如果被監測到進行了多次迭代（請允許重復網路的特徵亂入一下），只有在隱藏層之間的權重會在此之後更新。

據我所知，除了多個理論基準之外，我不知道這種類型的有什麼實際應用。。。。。。。

【24】Deep Resial Network (DRN) 深度殘差網路

​【24】 DRN 深度殘差網路 

深度殘差網路（DRN）是有些輸入值的部分會傳遞到下一層。這一特點可以讓它可以做到很深的層級（達到300層），但事實上它們是一種沒有明確延時的RNN。

【25】Kohonen Network (KN) Kohonen神經網路

​ 【25】 Kohonen神經網路

Kohonen神經網路（KN）引入了「單元格距離」的特徵。大多數情況下用於分類，這種網路試著調整它們的單元格使其對某種特定的輸入作出最可能的反應。當一些單元格更新了， 離他們最近的單元格也會更新。

像SVM一樣，這些網路總被認為不是「真正」的神經網路。

【26】Support Vector Machine (SVM)

​【26】 SVM 支持向量機 

支持向量機（SVM）用於二元分類工作，無論這個網路處理多少維度或輸入，結果都會是「是」或「否」。

SVM不是所有情況下都被叫做神經網路。

【27】Neural Turing Machine (NTM) 神經圖靈機

​【27】NTM 神經圖靈機 

神經網路像是黑箱——我們可以訓練它們，得到結果，增強它們，但實際的決定路徑大多數我們都是不可見的。

神經圖靈機（NTM）就是在嘗試解決這個問題——它是一個提取出記憶單元之後的FF。一些作者也說它是一個抽象版的LSTM。

記憶是被內容編址的，這個網路可以基於現狀讀取記憶，編寫記憶，也代表了圖靈完備神經網路。

⑸ financeresearchletters好發嗎

當我們談論起論文發表這個話題時，很難繞開的問題通常是「某某領域/方向有哪些好發的期刊」，或者更加具體一些，「某某期刊是不是好發」。那麼，如何去識別「好發的期刊」或者定義「期刊的好發程度」呢？這當然是一個見仁見智的問題。

面對中文CSSCI期刊版面縮減、機構壟斷等形勢，我們一直倡導面臨考核壓力的人文社科研究生和「青椒」們樹立國際視野，採取混合發表策略，嘗試向SSCI期刊投稿並爭取發表。

根據我們得到的反饋，面對3000餘種SSCI期刊，廣大用戶最為困惑的還是選刊問題，很難有持續的耐心和充足的精力去從頭熟悉本學科的期刊。特別是由於SSCI對於期刊的分類標准與國內學者熟悉的分類並不一致，導致如果僅關注「自身所屬學科」的期刊，可能會遺漏部分應當關注的期刊。鑒於此，我們擬嘗試甄選「好發」的SSCI期刊，供各位用戶參考。

遴選標准

在進入正題之前，我們想談談對「好發」的SSCI期刊的理解。首先，這些期刊的年刊文量不能太少，一種每年只發幾篇論文的期刊，想必我們中的大部分人都沒必要花時間去碰運氣了；其次，這些期刊應當是已經有發表過中國學者的論文，在發表SSCI期刊論文已經不再是新聞的今天，如果一種期刊近年來根本沒有刊登過中國學者的論文，那我們中的大部分人也沒必要去嘗試當「先行者」了。

基於這兩個標准，考慮到科睿唯安公布了每種SSCI期刊近三年由中國大陸（包含中國內地和港澳地區，不含中國台灣地區）機構署名的論文數量，我們認為，可以初步將以下三類期刊視為「好發」的SSCI期刊，加以深入分析和研判。

第一類：中國大陸地區作為發文首要來源地的期刊。這些期刊多由大陸地區相關機構主辦，或者關注的議題與中國高度相關。

第二類：中國大陸地區在發文來源地中排名靠前（通常為前三）且發文數量沒有特別少的期刊。第二個限制條件主要是為了排除發文高度集中於首要來源地且中國大陸機構發文數量僅為個位數的期刊。

第三類：中國大陸地區雖然在發文來源地中的排名不夠靠前，但發文數量較多的期刊。這些期刊的發文量往往較大，每年動輒大幾百甚至上千篇。

本期推介

本期要介紹的15本期刊分別為：

1. Annals of Economics and Finance（經濟學四區）

2. Asia Pacific Journal of Management（管理學二區）

3. Asia Pacific Journal of Marketing and Logistics（商學二區）

4. Asian Business & Management（商學三區，管理學三區）

5. Asian Economic Papers（經濟學四區）

6. Asia-Pacific Journal of Accounting & Economics（金融學四區，經濟學四區）

7. Australian Economic Papers（經濟學四區）

8. Business Strategy and the Environment（環境研究一區，商學一區，管理學一區）

9. China & World Economy（經濟學二區）

10. China Agricultural Economic Review（經濟學二區，農業經濟與政策三區）

11. China Economic Review（經濟學一區）

12. Chinese Management Studies（管理學四區）

13. Computational Economics（經濟學三區；管理學四區）

14. Finance Research Letters（金融學一區）

15. Emerging Markets Review（經濟學一區，金融學一區）

01

Annals of Economics and Finance

Annals of Economics and Finance發表經濟學、金融學和管理學各領域的理論和應用論文，也鼓勵將經濟學方法應用於政治學、社會學、心理學、倫理學和歷史學的研究。現任主編為中央財經大學鄒恆甫教授。

2019年，Annals of Economics and Finance的影響因子為0.396，在經濟學371種期刊中排名第349，屬於四區期刊。從近年情況看，Annals of Economics and Finance的年發文量呈逐年遞增趨勢，2019年共刊發論文34篇。

中國大陸地區是Annals of Economics and Finance發文的首要來源地，中央財經大學、北京大學、中國人民大學、浙江大學、中國社會科學院、復旦大學、武漢大學等高校和科研機構在該刊上的發表記錄排在前列。

02

Asia Pacific Journal of Management

Asia Pacific Journal of Management發表有關亞太地區管理和組織研究的稿件，關注的是一個最基本的問題：什麼決定了組織的成功？涵蓋的主要研究領域包括：企業家精神，人力資源管理，國際商務，組織行為，戰略管理。會計、經濟、金融、市場營銷和運營管理等不屬於該刊的選稿范圍。該刊致力於成為泛亞太地區內或對該地區感興趣的管理學者交流思想和研究的主要平台，現任主編為香港中文大學Chi-Sum Wong教授。

2019年，Asia Pacific Journal of Management的影響因子為3.064，在管理學226種期刊中排名第84，屬於二區期刊。從近年情況看，Asia Pacific Journal of Management的年發文量在40篇左右，2019年發表了45篇文章，較往年略有增長。

中國大陸地區是Asia Pacific Journal of Management發文的首要來源地，香港城市大學、香港中文大學、香港浸會大學、浙江大學、中歐國際商學院、西安交通大學、華中科技大學、南京大學、澳門大學、寧波諾丁漢大學等機構在該刊上的發表記錄排在前列。

根據相關新聞報道，近年來，信陽師范學院商學院、浙江財經大學工商管理學院、湖南師范大學商學院教師，以及廈門大學管理學院博士生均曾在Asia Pacific Journal of Management發表論文。

03

Asia Pacific Journal of Marketing and Logistics

Asia Pacific Journal of Marketing and Logistics發表對亞太地區市場營銷和物流知識有重大貢獻的實證研究、概念性論文、深入的文獻綜述以及對其他方法和理論的檢驗。該期刊致力於縮小學術和實踐之間的差距，因此也發表業內觀點、案例研究和關於新興趨勢的研究隨筆。關注的具體議題包括但不限於：營銷策略，關系營銷，跨文化問題，消費者市場和購買行為，營銷渠道管理，物流，亞太市場的品牌問題，市場細分，營銷理論，新產品開發，市場調查，集成營銷，法律和公共政策，跨國和跨文化研究，數字營銷。現任主編為澳大利亞科廷大學Ian Phau教授。

2019年，Asia Pacific Journal of Marketing and Logistics的影響因子為2.511，在商學152種期刊中排名第76，屬於二區期刊。從近年情況看，Asia Pacific Journal of Marketing and Logistics的年發文量有較快增長，2019年發表了103篇文章。

中國大陸地區力壓澳大利亞，是Asia Pacific Journal of Marketing and Logistics刊文的首要來源地，香港理工大學、澳門大學、北京郵電大學、中國科學院、重慶大學等機構在該刊上的發表記錄排在前列。

根據相關新聞報道，近年來，信陽師范學院商學院教師等曾在Asia Pacific Journal of Marketing and Logistics發表論文。

04

Asian Business & Management

Asian Business & Management是針對亞洲管理和商業的學術期刊，關注的主題涵蓋公司治理、人力資源管理、市場營銷、組織行為、組織理論、戰略、技術管理等。區別於一般的商業和管理期刊，該刊聚焦亞洲，這也是其最重要的最具吸引力的特點之一。無論所使用的研究方法是定量、還是定性、或是混合方法，抑或是概念性工作，只要有助於加深對亞洲商業和管理問題的理解的稿件，均有望在該刊發表。現任主編為德國哥廷根大學Fabian Jintae Froese教授。

2019年，Asian Business & Management的影響因子為2.192，在商學152種期刊中排名第91，屬於三區期刊；在管理學226種期刊中排名第129，亦屬於三區期刊。從近年情況看，Asian Business & Management的年發文量逐年提高，2019年發表了16篇文章。

中國大陸地區是Asian Business & Management發文的首要來源地。浙江大學、中國科學院、同濟大學、上海交通大學、上海財經大學、清華大學等高校和研究機構在該刊上的發表記錄排在前列。通過查閱Asian Business & Management網站，該刊新近錄用的稿件中，第一作者所屬高校包括浙江財經大學、西南大學、河北經貿大學、河北工業大學、深圳大學、江西財經大學等。

05

Asian Economics Papers

Asian Economic Papers受到美國哥倫比亞大學可持續發展中心、韓國國際經濟政策研究所、馬來西亞雙威大學Jeffrey Cheah東南亞研究所、印度尼西亞東盟與東亞經濟研究所、中國上海交通大學安泰經濟與管理學院的聯合支持。該刊的文章聚焦對亞洲某特定經濟體或泛亞洲地區重要經濟問題的嚴謹分析，並為這些亞洲經濟問題提供創造性的解決方案。現任主編為加州大學戴維斯分校Wing Thye Woo教授。

2019年，Asian Economic Papers的影響因子為0.596，在經濟學371種期刊中排名第324，屬於四區期刊。從近年情況看，Asian Economic Papers的年發文量在2017年達到峰值（31篇），其後逐年降低，2019年發表了24篇文章。

中國大陸地區和韓國並列為Asian Economic Papers刊文的首要來源地，但位列前十大來源機構的大陸高校僅有北京大學一所，說明在該刊上發文的中國大陸學者所在高校的分布較為分散。

06

Asia-Pacific Journal of Accounting & Economics

Asia-Pacific Journal of Accounting & Economics發表經濟學和會計學領域的理論和實證研究成果，關注的主題包括但不限於：審計、財務報告、盈餘管理、財務分析師、會計信息的作用、國際貿易與金融、產業組織、戰略行為、市場結構、財務契約、公司治理、資本市場和金融機構。現任聯合主編有：台灣大學Hong Hwang、香港城市大學Jeong-Bon Kim、台灣大學Shu-Hsing Li、香港城市大學Yue Ma、美國德州大學達拉斯分校Suresh Radhakrishnan。

2019年，Asia-Pacific Journal of Accounting & Economics的影響因子為0.705，在金融學108種期刊中排名第96，屬於四區期刊，在經濟學371種期刊中排名第305，亦屬於四區期刊。從近年情況看，Asia-Pacific Journal of Accounting & Economics的年發文量逐年遞增，2019年發表了39篇文章。

中國大陸地區是Asia-Pacific Journal of Accounting & Economics刊文的首要來源地，西安交通大學、廈門大學、香港城市大學、復旦大學、香港浸會大學在該刊上的發表記錄排在前列。

07

Australian Economics Papers

Australian Economic Papers發表來自理論、實證和政策經濟學領域國際頂尖經濟學家的高質量論文，覆蓋的議題非常廣泛，除了經濟學的主要領域外，還包括產業組織、勞動經濟學、宏觀與微觀政策分析等。現任總編輯為越南胡志明市經濟大學Sarath Delpachitra教授，主編為西澳大學Jakob Madsen教授和世界銀行Richard Damania博士。

2019年，Australian Economic Papers的影響因子為0.783，在經濟學371種期刊中排名第288，屬於四區期刊。從近年情況看，Australian Economic Papers的年發文量在2018年達到峰值（28篇）後有所降低，2019年發表了18篇文章。

中國大陸地區超過澳大利亞，為Australian Economic Papers刊文的首要來源地，對外經濟貿易大學、中央財經大學、吉林大學、暨南大學、南開大學等高校在該刊上的發表記錄排在前列。

08

Business Strategy and the Environment

Business Strategy and the Environment力求加深對改善環境績效的商業反應的理解，尋求檢驗競爭戰略與環境管理之間的聯系，關注系統和標准、合作環境管理工具、組織和管理、特定行業及企業對當代環境問題的反應等議題，尤其是法規和政策在商業領域中的作用，並鼓勵開展跨國分析。該期刊致力於引起廣泛的跨學科讀者的興趣，包括學者、從業人員、業務經理和顧問等。現任主編為泰國朱拉隆功大學薩辛管理學院Richard Welford教授。

2019年，Business Strategy and the Environment的影響因子為5.483，在環境研究123種期刊中排名第10，在商學152種期刊中排名第19，在管理學226種期刊中排名第21，均屬於一區期刊。從近年情況看，Business Strategy and the Environment的年發文量在2018年突破100篇，2019年發表了117篇文章。

中國大陸地區為Business Strategy and the Environment刊文的首要來源地，上海交通大學、中國科學院、香港理工大學、浙江理工大學等機構在該刊上的發表記錄排在前列。根據公開的新聞報道，安徽師范大學經濟管理學院、湖北經濟學院會計學院等院校近來均有教師在該刊發表論文。

根據期刊公開披露的信息，Business Strategy and the Environment從論文提交到作出第一次決定僅需6天時間。

09

China & World Economy

China & World Economy是中國國內創辦的最早的經濟類英文學術刊物，致力於推動國際國內學術界開展與中國經濟相關的研究及其與世界經濟的互動，關注的議題包括但不限於：國際金融、貿易、投資、宏觀經濟學、發展經濟學、能源等。現任主編是中國社會科學院張宇燕研究員。

2019年，China & World Economy的影響因子為1.865，在經濟學371種期刊中排名第119，屬於二區期刊。從近年情況看，China & World Economy的年發文量在30餘篇且呈下降趨勢，2019年發表了34篇文章。

中國大陸地區是China & World Economy發文的首要來源地。中國社會科學院、北京大學、中國人民大學、北京師范大學、對外經濟貿易大學、浙江大學等機構在該刊上的發表記錄排在前列，上海財經大學、清華大學、重慶大學、復旦大學等高校在該刊也有不錯的發表記錄。

10

China Agricultural Economic Review

China Agricultural Economic Review倡導針對中國農業改革和實踐的深度分析，關注的議題包括：農業、農村發展、自然資源和環境經濟學。現任主編是中國農業大學辛賢教授。

作為SSCI和SCI雙檢索期刊，2019年，China Agricultural Economic Review的影響因子為1.753，在經濟學（SSCI）371種期刊中排名第132，屬於二區期刊；在農業經濟與政策（SCI）21種期刊中排名第11，屬於三區期刊。從近年情況看，China Agricultural Economic Review的年發文量呈增加趨勢，2019年發表了52篇文章。

中國大陸地區為China Agricultural Economic Review刊文的首要來源地，中國農業大學、北京大學、南京農業大學、浙江大學、中國人民大學等高校在該刊上的發表記錄排在前列，中國科學院、中國農業科學院、華南農業大學等機構在該刊也有不錯的發表記錄。

11

China Economic Review

China Economic Review關注的議題涉及中國經濟的各個方面及其與世界經濟的關系，尤其歡迎有關中國經濟體制改革、政策和績效的量化分析，並鼓勵對中國與其他國家的發展進程進行比較。現任主編為北京大學張曉波教授。

2019年，China Economic Review的影響因子為2.736，在經濟學371種期刊中排名第71，屬於一區期刊。從近年情況看，China Economic Review的年發文量呈逐年遞增趨勢，2019年發表了115篇文章。

中國大陸地區是China Economic Review刊文的首要來源地，期刊發文的前十大來源機構基本上被中國大陸地區高校包攬，包括北京大學、中國人民大學、中央財經大學、復旦大學、北京師范大學、清華大學、上海財經大學、浙江大學、暨南大學等。

12

Chinese Management Studies

Chinese Management Studies提供中國CEO、高管團隊、學者等對管理的最新思考，發表對中國管理思想、哲學和過程的深入分析、關於中國的實證論文、以及采訪和對話等，致力於展示中國學者的管理研究能力以及全球對中國管理的興趣。現任主編是莫納什大學Cherrie Jiuhua Zhu教授。

2019年，Chinese Management Studies的影響因子為1.036，在管理學226種期刊中排名第195，屬於四區期刊。從近年情況看，Chinese Management Studies的年發文量逐年增加，2019年發表了51篇文章。

用戶點評：

這個期刊是四區的SSCI期刊，影響因子接近1，主要刊登有關中國管理學領域相關的論文。

我於2019年6月份投稿，2016年11月份收到審稿意見，三個審稿人都認為論文很有意義，但是都認為需要修改，修改意見2頁多。因為接近寒假，比較忙，所以一個月的修改時間很緊，我又申請延長了10天左右的修改期，我於2020年1月份返回修改稿。

2020年2月份受到二審意見，這次是兩個審稿人的意見，其中一個審稿人建議發表，另一個審稿人是上次三個審稿人中的一個，認為我修改的不夠，建議繼續修改，尤其是政策建議要突出創新點和對實務界的啟示。

約一個月後修回，之後就是等待。2020年4月中旬我收到主編郵件說論文已經錄用。感覺這個期刊審稿速度不算快，但審稿人提的意見很好，很中肯，也確實有助於論文質量的提升。

雖然是四區期刊，也沒有很簡單，之前師兄投過兩次中過一次，師姐好像也投過，但沒中。所以現在發論文並不容易，能發一個SSCI期刊還不錯。

匿名用戶：

師門偶有在該刊發文 作為本人獨立寫的第一篇英文論文 夜嘗試投了該刊 5月18號提交論文 半個月後進入外審 再一個半月後7月20號收到退稿郵件 第一次外審速度還OK 後面就不太清楚了 一共三個外審專家 一個給大修 兩個給退稿 確實是文章水平的問題 給的意見也都很中肯 當然也不乏有一些批評的語言 總的來說對未來的研究完善有挺大的益處 之後還會繼續嘗試該刊

中國大陸地區是Chinese Management Studies發文的首要來源地。期刊發文的前十大來源機構基本上被中國大陸地區高校和科研院所包攬，包括中國科學院、西安交通大學、南京大學、浙江大學、北京交通大學、杭州電子科技大學、湖南大學、暨南大學、對外經濟貿易大學、哈爾濱工業大學、華中科技大學、西北工業大學、中國人民大學、上海大學、華南理工大學等。

13

Computational Economics

Computational Economics介紹講計算科學與經濟學所有分支相結合的新研究，涵蓋濾波、貝葉斯和非參數方法、馬爾可夫過程、蒙特卡羅模擬等計量經濟學的計算方法，模擬模型方法，機器學習，進化演算法，神經網路建模，動態系統計算，優化，最優控制，博弈，均衡建模，硬體和軟體開發，建模語言，介面，符號處理，分布式和並行處理等。現任主編是荷蘭阿姆斯特丹大學Hans M. Amman教授。

2019年，Computational Economics的影響因子為1.317，在經濟學371種期刊中排名第200，屬於三區期刊；在管理學226種期刊中排名第185，屬於四區期刊；作為SSCI/SCIE雙檢索期刊，Computational Economics在數學跨學科應用106種期刊中排名第65，屬於三區期刊。從近年情況看，Computational Economics的年發文量自2018年以來持續增加，2019年發表了131篇文章。

中國大陸地區是Computational Economics發文的首要來源地。期刊發文的前十大來源機構中，來自中國大陸地區的高校院所最多，包括中國科學院、南方科技大學、香港大學、中國人民大學、北京師范大學、湖南大學、西南財經大學和廈門大學等。

14

Finance Research Letters

Finance Research Letters歡迎來自泛金融學各個領域的稿件，字數一般不能超過2500個。該刊關注的議題包括：精算研究；另類投資；資產定價；破產清算；銀行和其他存托機構；行為和實驗金融；金融的文獻計量和科學計量研究；資本預算和其他投資；資本市場與會計；資本結構和支付政策；大宗商品；傳染，危機和相互依存；公司治理；信貸和固定收益市場與工具；衍生品；新興市場；能源金融與能源市場；金融計量經濟學；金融歷史；金融中介和貨幣市場；金融市場；金融數學與經濟物理學；金融監管與法律；預測；前沿市場研究；國際金融；市場效率與實踐研究；合並與收購；微型金融機構；微觀機構；非銀行金融機構；個人財務；投資組合選擇與投資；房地產金融與投資；風險；中小企業、家庭和創業金融。現任聯合總編為主編為馬來西亞北部大學Jonathan A. Batten教授、阿聯酋沙迦美國大學Narjess Boubakri教授、愛爾蘭都柏林大學Samuel Vigne教授。

2019年，Finance Research Letters的影響因子為3.527，在金融學109種期刊中排名第9，屬於一區期刊。從近年情況看，Finance Research Letters的年發文量有顯著增加，2019年發表了240篇文章。

用戶點評：

最近12個月內，周圍四個中國人投此刊全部被拒，均來自985高校。此刊金融經濟相關都可以投，發文量這幾年很穩定，今年升入1區估計投稿量更多，難度更大。從我們四個人的經驗來看，編輯直接拒會在半個月左右決定。第一輪審稿意見回來估計1到3個月，一般只有一到兩個審稿人，所以審稿人的意見很重要。letter期刊很少，其中frl和el偏難，ael相對容易。這三個期刊相對長文來說審稿和出刊都比較快。另外這三個期刊都有投稿費，沒有版面費。

匿名用戶：

8月份投了這個期刊的special issue,由於時間比較趕，文章寫的質量一般，當然快速得被拒了。。150美元的審稿費 被拒的理由說文章的理論基礎比較薄弱，150美元買了比較中肯的審稿意見，哈哈 文章字數要求2000字 個人覺得，letter的文章，不求長，但是idea一定要新！理論基礎要扎實。從投稿到給出被拒，兩周，速度比較快。

中國大陸地區是Finance Research Letters發文的首要來源地。對外經濟貿易大學、中央財經大學、中國科學院、浙江大學等中國大陸地區高校和研究機構在該刊上的發表記錄排在前列。

15

Emerging Markets Review

Emerging Markets Review旨在成為發表新興市場金融領域重大經驗和理論研究成果的主要平台，該刊優先考慮的論文包括：全球和區域視野下的比較研究，解決特定國家的關鍵政策問題並具有重要全球和區域影響的研究，以及應對國家和國際金融架構相互作用的研究；尤其歡迎制度和金融視角下的論文。現任主編為馬來西亞北部大學J.A. Batten教授。

2019年，Emerging Markets Review的影響因子為3.092，在金融學109種期刊中排名第12，在經濟學373種期刊中排名第58，均屬於一區期刊。從近年情況看，Emerging Markets Review的年發文量呈逐年增加趨勢，2019年發表了60篇文章。

中國大陸地區是Emerging Markets Review刊文的首要來源地。西南財經大學是入圍該刊發文前十大來源機構的唯一一所中國大陸地區高校。

⑹ 人工智慧的頂會有哪些

人工智慧和機器學習技術的快速發展，使得AI 主題會議也層出不窮，下面帶大家一起了解一下人工智慧領域的頂會都有哪些

1. CVPR

國際計算機視覺與模式識別會議（CVPR）是IEEE一年一度的學術性會議，會議的主要內容是計算機視覺與模式識別技術。CVPR是世界頂級的計算機視覺會議（三大頂會之一，另外兩個是 ICCV 和 ECCV ），近年來每年有約1500名參加者，收錄的論文數量一般300篇左右。本會議每年都會有固定的研討主題，而每一年都會有公司贊助該會議並獲得在會場展示的機會。

2. ECCV

ECCV 的全稱是European Conference on Computer Vision(歐洲計算機視覺國際會議) ，兩年一次，是計算機視覺三大會議（另外兩個是ICCV和CVPR）之一。每次會議在全球范圍錄用論文300篇左右，主要的錄用論文都來自美國、歐洲等頂尖實驗室及研究所，中國大陸的論文數量一般在10-20篇之間。ECCV2010的論文錄取率為27%

3.ICCV

ICCV 的全稱是 IEEE International Conference on Computer Vision，即國際計算機視覺大會，由IEEE主辦，與計算機視覺模式識別會議（CVPR）和歐洲計算機視覺會議（ECCV）並稱計算機視覺方向的三大頂級會議，被澳大利亞ICT學術會議排名和中國計算機學會等機構評為最高級別學術會議，在業內具有極高的評價。不同於在美國每年召開一次的CVPR和只在歐洲召開的ECCV，ICCV在世界范圍內每兩年召開一次。ICCV論文錄用率非常低，是三大會議中公認級別最高的.

4. ICLR

ICLR ，全稱為「International Conference on Learning  Representations」（國際學習表徵會議），2013 年才剛剛成立了第一屆。這個一年一度的會議雖然今年(2018)才辦到第六屆，但已經被學術研究者們廣泛認可，被認為「深度學習的頂級會議」。這個會議的來頭不小，由位列深度學習三大巨頭之二的 Yoshua Bengio 和 Yann LeCun 牽頭創辦。

5. NIPS

NIPS （NeurIPS），全稱神經信息處理系統大會(Conference  and Workshop on Neural Information Processing Systems)，是一個關於機器學習和計算神經科學的國際會議。該會議固定在每年的12月舉行,由NIPS基金會主辦。NIPS是機器學習領域的頂級會議。在中國計算機學會的國際學術會議排名中，NIPS為人工智慧領域的A類會議。

6.ICML

ICML 是 International Conference on Machine Learning的縮寫，即國際機器學習大會。ICML如今已發展為由國際機器學習學會（IMLS）主辦的年度機器學習國際頂級會議。

7. IJCV

國際期刊計算機視覺，詳細描繪了信息科學與工程這一領域的快速發展。一般性發表的文章提出廣泛普遍關心的重大技術進步。短文章提供了一個新的研究成果快速發布通道。綜述性文章給與了重要的評論，以及當今發展現狀的概括。

8. PAMI

PAMI 是IEEE旗下，模式識別和機器學習領域最重要的學術性匯刊之一。在各種統計中，PAMI被認為有著很強的影響因子和很高的排名。

9. AAAI

國際人工智慧協會。前身為美國人工智慧協會，目前是一個非盈利的學術研究組織，致力於推動針對智能行為本質的科學研究

10. IJCAI

IJCAI 全稱為人工智慧國際聯合大會（International Joint Conference on  Artificial Intelligence），是國際人工智慧領域排名第一的學術會議，為 CCF A 類會議。該會議於 1969 年首度在美國華盛頓召開，隨著人工智慧的熱度日益攀升，原本僅在奇數年召開的IJCAI 自 2015 年開始變成每年召開。

11. ACM/MM

ACMMM 是全球多媒體領域的頂級會議，會議每年通過組織大規模圖像視頻分析、社會媒體研究、多模態人機交互、計算視覺、計算圖像等影響多媒體行業的前沿命題競賽，引領全球新媒體發展方向。

12. TNNLS

從英文翻譯而來-IEEE神經網路與學習系統交易是由IEEE計算智能學會出版的月度同行評審科學期刊。它涵蓋了神經網路和相關學習系統的理論，設計和應用。

⑺ 輕量化CNN構建總結

感受野(Receptive Field)

感受野指的是卷積神經網路每一層輸出的特徵圖(feature map)上每個像素點映射回輸入圖像上的區域大小，神經元感受野的范圍越大表示其能接觸到的原始圖像范圍就越大，也意味著它能學習更為全局，語義層次更高的特徵信息，相反，范圍越小則表示其所包含的特徵越趨向局部和細節。因此感受野的范圍可以用來大致判斷每一層的抽象層次，並且我們可以很明顯地知道網路越深，神經元的感受野越大。

解析度(Resolution)

解析度指的是輸入模型的圖像尺寸，即長寬大小。通常情況會根據模型下采樣次數n和最後一次下采樣後feature map的解析度k×k來決定輸入解析度的大小，即：

從輸入r×r到最後一個卷積特徵feature map的k×k，整個過程是一個信息逐漸抽象化的過程，即網路學習到的信息逐漸由低級的幾何信息轉變為高級的語義信息，這個feature map的大小可以是3×3，5×5，7×7，9×9等等，k太大會增加後續的計算量且信息抽象層次不夠高，影響網路性能，k太小會造成非常嚴重的信息丟失，如原始解析度映射到最後一層的feature map有效區域可能不到一個像素點，使得訓練無法收斂。

在ImageNet分類任務中，通常設置的5次下采樣，並且考慮到其原始圖像大多數在300解析度左右，所以把最後一個卷積特徵大小設定為7×7，將輸入尺寸固定為224×224×3。在目標檢測任務中，很多採用的是416×416×3的輸入尺寸，當然由於很多目標檢測模型是全卷積的結構，通常可以使用多尺寸訓練的方式，即每次輸入只需要保證是32×的圖像尺寸大小就行，不固定具體數值。但這種多尺度訓練的方式在圖像分類當中是不通用的，因為分類模型最後一層是全連接結構，即矩陣乘法，需要固定輸入數據的維度。

深度(Depth)

神經網路的深度決定了網路的表達能力，它有兩種計算方法，早期的backbone設計都是直接使用卷積層堆疊的方式，它的深度即神經網路的層數，後來的backbone設計採用了更高效的mole(或block)堆疊的方式，每個mole是由多個卷積層組成，它的深度也可以指mole的個數，這種說法在神經架構搜索(NAS)中出現的更為頻繁。通常而言網路越深表達能力越強，但深度大於某個值可能會帶來相反的效果，所以它的具體設定需要不斷調參得到。

寬度(Width)

寬度決定了網路在某一層學到的信息量，但網路的寬度時指的是卷積神經網路中最大的通道數，由卷積核數量最多的層決定。通常的結構設計中卷積核的數量隨著層數越來越多的，直到最後一層feature map達到最大，這是因為越到深層，feature map的解析度越小，所包含的信息越高級，所以需要更多的卷積核來進行學習。通道越多效果越好，但帶來的計算量也會大大增加，所以具體設定也是一個調參的過程，並且各層通道數會按照8×的倍數來確定，這樣有利於GPU的並行計算。

下采樣(Down-Sample)

下采樣層有兩個作用，一是減少計算量，防止過擬合，二是增大感受野，使得後面的卷積核能夠學到更加全局的信息。下采樣的設計有兩種：

採用stride為2的池化層，如Max-pooling或Average-pooling，目前通常使用Max-pooling，因為它計算簡單且最大響應能更好保留紋理特徵；

採用stride為2的卷積層，下采樣的過程是一個信息損失的過程，而池化層是不可學習的，用stride為2的可學習卷積層來代替pooling可以得到更好的效果，當然同時也增加了一定的計算量。

上采樣(Up-Sampling)

在卷積神經網路中，由於輸入圖像通過卷積神經網路(CNN)提取特徵後，輸出的尺寸往往會變小，而有時我們需要將圖像恢復到原來的尺寸以便進行進一步的計算(如圖像的語義分割)，這個使圖像由小解析度映射到大解析度的操作，叫做上采樣，它的實現一般有三種方式：

插值，一般使用的是雙線性插值，因為效果最好，雖然計算上比其他插值方式復雜，但是相對於卷積計算可以說不值一提；

轉置卷積又或是說反卷積，通過對輸入feature map間隔填充0，再進行標準的卷積計算，可以使得輸出feature map的尺寸比輸入更大；

Max Unpooling，在對稱的max pooling位置記錄最大值的索引位置，然後在unpooling階段時將對應的值放置到原先最大值位置，其餘位置補0；

參數量(Params)

參數量指的網路中可學習變數的數量，包括卷積核的權重weight，批歸一化(BN)的縮放系數γ，偏移系數β，有些沒有BN的層可能有偏置bias，這些都是可學習的參數 ，即在模型訓練開始前被賦予初值，在訓練過程根據鏈式法則中不斷迭代更新，整個模型的參數量主要由卷積核的權重weight的數量決定，參數量越大，則該結構對運行平台的內存要求越高，參數量的大小是輕量化網路設計的一個重要評價指標。

計算量(FLOPs)

神經網路的前向推理過程基本上都是乘累加計算，所以它的計算量也是指的前向推理過程中乘加運算的次數，通常用FLOPs來表示，即floating point operations(浮點運算數)。計算量越大，在同一平台上模型運行延時越長，尤其是在移動端/嵌入式這種資源受限的平台上想要達到實時性的要求就必須要求模型的計算量盡可能地低，但這個不是嚴格成正比關系，也跟具體運算元的計算密集程度(即計算時間與IO時間佔比)和該運算元底層優化的程度有關。

在神經網路架構設計中，標准卷積是最常見的結構，假設其輸入feature map的維度是(1, iC, iH, iW)，每個卷積核的維度是(1, iC, k, k)，一次卷積濾波得到一層feature map的維度為(1,1, oH, oW)，一共有oC個卷積核，則輸出feature map的維度是(1, oC, oH, oW)，計算量為iC×k×k×oC×oH×oW，

深度卷積 (Depthwise Convolution)

深度卷積與標准卷積相比，顧名思義是在深度上做了文章，而這里的深度跟網路的深度無關，它指的通道，標准卷積中每個卷積核都需要與feature map的所有層進行計算，所以每個卷積核的通道數等於輸入feature map的通道數，通過設定卷積核的數量可以控制輸出feature map的通道數。而深度卷積每個卷積核都是單通道的，維度為(1,1,k,k) ，卷積核的個數為iC，即第i個卷積核與feature map第i個通道進行二維的卷積計算，最後輸出維度為(1,iC,oH,oW)，它不能改變輸出feature map的通道數，所以通常會在深度卷積後面接上一個(oC,iC,1,1)的標准卷積來代替3×3或更大尺寸的標准卷積，總的計算量為iC×k×k×oH×oW+iC×oH×oW×oC，是普通卷積的1/oC+1/(k×k)，大大減少了計算量和參數量，又可以達到相同的效果，這種結構被稱為深度可分離卷積(Depthwise Separable Convolution)，在MobileNet V1被提出，後來漸漸成為輕量化結構設計的標配。

分組卷積 (Group Convolution)

分組卷積最早在AlexNet中出現，當時作者在訓練模型時為了減少顯存佔用而將feature map分組然後給多個GPU進行處理，最後把多個輸出進行融合。具體計算過程是，分組卷積首先將輸入feature map分成g個組，每個組的大小為(1, iC/g, iH, iW)，對應每組中一個卷積核的大小是(1,iC/g,k,k)，每組有oC/g個卷積核，所以每組輸出feature map的尺寸為(1,oC/g,oH,oW)，最終g組輸出拼接得到一個(1,oC,oH,oW)的大feature map，總的計算量為iC/g×k×k×oC×oH×oW，是標准卷積的1/g，參數量也是標准卷積的1/g。

空洞卷積 (Dilated Convolution)

空洞卷積是針對圖像語義分割問題中下采樣會降低圖像解析度、丟失信息而提出的一種卷積思路。通過間隔取值擴大感受野，讓原本3x3的卷積核，在相同參數量和計算量下擁有更大的感受野。這裡面有個擴張率(dilation rate)的系數，

，標准卷積相當於dilation rate為1的空洞卷積，下圖展示的是dilation rate為2的空洞卷積計算過程，可以看出3×3的卷積核可以感知標準的5×5卷積核的范圍，還有一種理解思路就是先對3×3的卷積核間隔補0，使它變成5×5的卷積，然後再執行標准卷積的操作。

轉置卷積 (Transposed Convolutions)

轉置卷積又稱反卷積(Deconvolution)，它和空洞卷積的思路正好相反，是為上采樣而生，也應用於語義分割當中，而且他的計算也和空洞卷積正好相反，先對輸入的feature map間隔補0，卷積核不變，然後使用標準的卷積進行計算，得到更大尺寸的feature map。

可變形卷積 (deformable convolution)

以上的卷積計算都是固定的，每次輸入不同的圖像數據，卷積計算的位置都是完全固定不變，即使是空洞卷積/轉置卷積，0填充的位置也都是事先確定的。而可變性卷積是指卷積核上對每一個元素額外增加了一個h和w方向上偏移的參數，然後根據這個偏移在feature map上動態取點來進行卷積計算，這樣卷積核就能在訓練過程中擴展到很大的范圍。而顯而易見的是可變性卷積雖然比其他卷積方式更加靈活，可以根據每張輸入圖片感知不同位置的信息，類似於注意力，從而達到更好的效果，但是它比可行變卷積在增加了很多計算量和實現難度，目前感覺只在GPU上優化的很好，在其他平台上還沒有見到部署。

池化(pooling)

池化這個操作比較簡單，一般在上采樣和下采樣的時候用到，沒有參數，不可學習，但操作極為簡單，和depthwise卷積類似，只是把乘累加操作替換成取最大/取平均操作。

最大池化和平均池化

全局平均池化  全局平均池化的操作是對一個維度為(C,H,W)的feature map，在HW方向整個取平均，然後輸出一個長度為C的向量，這個操作一般在分類模型的最後一個feature map之後出現，然後接一個全連接層就可以完成分類結果的輸出了。早期的分類模型都是把最後一個feature map直接拉平成C×H×W的向量，然後再接全連接層，但是顯然可以看出來這個計算量極大，甚至有的模型最後一個全連接層佔了整個模型計算量的50%以上，之後由研究人員發現對這個feature map做一個全局平均池化，然後再加全連接層可以達到相似的效果，且計算量降低到了原來的1/HW。

全連接計算(Full Connected)

這個本質其實就是矩陣乘法，輸入一個(B, iC)的數據，權重為(iC, oC)，那麼輸出為(B, oC)，在多層感知機和分類模型最後一層常常見到。

Addition / Concatenate分支

Addition和Concatenate分支操作統稱為shortcut，如下圖所示，操作極為簡單。Addition是在ResNet中提出，兩個相同維度的feature map相同位置點的值直接相加，得到新的相同維度feature map，這個操作可以融合之前的特徵，增加信息的表達，Concatenate操作是在Inception中首次使用，被DenseNet發揚光大，和addition不同的是，它只要求兩個feature map的HW相同，通道數可以不同，然後兩個feature map在通道上直接拼接，得到一個更大的feature map，它保留了一些原始的特徵，增加了特徵的數量，使得有效的信息流繼續向後傳遞。

Channel shuffle

channel shuffle是ShuffleNet中首次提出，主要是針對分組卷積中不同組之間信息不流通，對不同組的feature map進行混洗的一個操作，如下圖所示，假設原始的feature map維度為(1,9,H,W)，被分成了3個組，每個組有三個通道，那麼首先將這個feature map進行重塑操作，得到(1,3,3,H,W)，然後對中間的兩個大小為3的維度進行轉置，依然是(1,3,3,H,W)，最後將通道拉平，變回(1,9,H,W)，就完成了通道混洗，使得不同組的feature map間隔保存，增強了信息的交互。

激活函數的非線性是神經網路發揮作用最重要的因素之一，而對於實際部署，激活函數的實現也是很重要的一個方面，實現的不好對加速效果影響很大。

ReLU系列

這里主要指常用的ReLU，ReLU6和leaky ReLU。ReLU比較好部署，小於0的部分為0，大於0的部分為原始值，只需要判斷一下符號位就行；ReLU6與ReLU相比也只是在正向部分多了個閾值，大於6的值等於6，在實現時多了個比較也不算麻煩；而leaky ReLU和ReLU正向部分一樣，都是大於0等於原始值，但負向部分卻是等於原始值的1/10，浮點運算的話乘個0.1就好了，如果因為量化要實現整數運算，這塊可以做個近似，如0.1用13>>7來代替，

Sigmoid系列

早期比較經典的卷積神經網路，如AlexNet，VGG，GoogleNet(或Inception)，ResNet，DenseNet都是以提升模型在ImageNet數據集上的分類精度為主了，很少考慮參數量和計算量的問題，他們的主要結構解析起來也比較簡單，基本都是由標准卷積(7×7，5×5，3×3和1×1)，Pooling和shortcut操作(Addition / Concatenate)構成，而且以3×3及其以上的卷積核為主，通道數也是動輒上千，所以參數量和計算量巨大。後續研究人員慢慢發現兩個3×3卷積可以代替一個5×5卷積的效果，三個3×3卷積可以代替一個7×7卷積的效果，大量使用1×1卷積，使用3×3 depthwise conv + pointwise conv(1×1標准卷積)可以代替3×3普通卷積......一系列操作可以減少參數量和計算量

SqueezeNet

SqueezeNet是公認的輕量級模型設計最早期的工作之一，作者提出了三種策略來實現在保持精度的情況下大大減少當時主流模型(以AlexNet為例)的計算量和參數量：

將模型中一部分的3×3卷積用1×1來代替，1×1卷積是3×3參數量和計算量的1/9，所以可以大大減少參數量和計算量；減少3×3卷積的輸入通道數，這個可以通過在進入3×3卷積之前加一個1×1卷積來實現通道數量的減少；將下采樣層的位置往後推，使得模型可以在更大的feature map上進行更多的學習，這一步雖然會在增加計算量，但是和上面兩個策略結合可以在維持模型精度的情況下仍大大減少參數量和計算量；

根據上面的策略，作者提出了fire mole的子結構，如上圖所示，然後整個模型由這樣的子結構堆疊而成。這個fire mole由squeeze部分和expand部分構成，squeeze部分是1×1的卷積層，而expand部分是1×1的卷積和3×3的卷積拼接起來的，每次feature map輸入這個fire mole會在squeeze層降低通道數，然後在expand通道增加通道數，從而在參數量更少的情況下仍然可以得到充分的學習。最後結合一些模型壓縮的方法可以使得SqueezeNet在達到AlexNet同等精度的情況下，參數量減少到後者的1/50，計算量減少到後者的1/510。

這篇論文使用大量1×1的卷積核代替3×3卷積，並且利用1×1卷積改變大尺度卷積層輸入feature map的通道數從而減少計算量的思想是非常有意義的，後續的很多輕量級網路的論文都沿用了這種套路。

MobileNet系列

MobileNet系列一共有V1,V2和V3三篇論文，簡要的講：

MobileNet V1主要思想是提出了一種新的結構—深度可分離卷積(Depthwise Separable Convolution)來代替標准3×3卷積，從而大大減少模型的參數量和計算量；

MobileNet V2在V1的基礎上提出了一種倒置殘差的模塊，這個模塊有三個卷積，第一個部分是一個1×1標准卷積，用來升維，第二個部分是由3×3深度卷積+1×1標准卷積構成的深度分離卷積，用來學習特徵和降維，模塊的輸出和輸入再進行一個Addition的操作，由於和ResNet中維度升降方式相反，所以稱為倒置殘差。中間升維的作用是讓深度可分離卷積得到更充分的學習，計算量相對於標准卷積來說也不大，而且這種升降維的方式非常靈活，可以大大減少計算量。本文還從流形學的角度探究了輸入深度可分離卷積上一層的ReLU6對信息傳遞的影響，理論證明去掉上一個1×1標准卷積的ReLU激活函數能更有利於後面的深度可分離卷積對特徵的學習。

MobileNet V3感覺相對於前兩篇沒有那麼大的結構創新了，主要思想是神經架構搜索(NAS)和硬體友好結構，總的來看V3的結構是在V2的基礎上進行了一些修改，如增加了SE block這種已被提出的注意力機制，激活函數換成了H-swish，last stage減少了幾層計算，針對語義分割提出了Lite R-ASPP的head(不在討論之列)。

ShuffleNet系列  曠視出品的ShuffleNet系列有兩篇論文

ShuffleNet V1是在MobileNet V1後MobileNet V2前提出的，說實話結構上和MobileNet V2還挺像，大家可以上下兩張圖片對比一下。兩者都想到了學習ResNet的殘差結構，區別在於ShuffleNet V1覺得block當中的1×1標准卷積也非常耗時，於是用1×1的分組卷積外加channel shuffle的操作給替換了，然後MobileNet V2會先升維讓深度可分離卷積得到充分的學習再降維回來，ShuffleNet V1中stride為2的模塊也有自己的特色，雖然看著MobileNet V2的結構更簡潔一些，但ShuffleNet V1創新也是不少，尤其那個用channel shuffle增強不同組之間信息交互的操作

huffleNet  V2論文是一篇誠意滿滿之作，作者通過分析ShuffleNet v1與MobileNet v2這兩個移動端網路在GPU/ARM兩種平台下的時間消耗分布，看出Conv等計算密集型操作佔了絕大多數時間，但其它像Elemwise和IO等內存讀寫密集型操作也佔了相當比例的時間，因此像以往那樣僅以FLOPs來作為指導准則來設計CNN網路是不完備的，雖然它可以反映出佔大比例時間的Conv操作，但不夠准確。於是作者提出了高效網路設計的四個指導原則：

當輸入和輸出的通道數相同時，conv計算所需的MAC(memory access cost)最小；

大量的分組卷積會增加MAC開銷；

網路結構的碎片化會減少其可並行優化的程度，GoogleNet系列和NASNet中很多分支進行不同的卷積/pool計算非常碎片，對硬體運行很不友好；

Element-wise操作不可忽視，對延時影響很大，包括ReLU，Addition，AddBias等，主要是因為這些操作計算與內存訪問的佔比太小；

基於此，作者提出了ShuffleNet V2的blocks，如下所示，與V1相比，去掉了分組卷積的操作，去掉了Add操作，換成了Concat，stride為2的block的旁路把平均池化換成了深度可分離卷積，為了繼續延續channel shuffle的操作，作者在block進去的地方做了個split的操作，最後再concat+channel shuffle，這里是為了替換掉之前的Add，同時也可以減少計算量。

GhostNet

GhostNet也是一篇很有意思且簡潔的架構設計的論文，作者在可視化一些訓練好的神經網路中間feature map時發現它們通常會包含一些相似且冗餘的特徵圖，使得神經網路能得到更充分的學習。基於這個想法，作者通過設定一系列廉價的線性運算操作來代替部分卷積計算，以此來產生更多的特徵圖，僅僅這么一個簡單的操作就可以減少模型的參數量和計算量，而且在幾個視覺公開數據集上取得了很不錯的效果，甚至超越了MobileNet V3

總的思路：選定合適結構 + 通道剪枝 + 量化

訓練  ：ImageNet pretrain model + Data Normalization(統計自己數據集的均值和方差) + Batch Normlization + 大batch size + 一堆數據增強tricks + 嘗試各種花里胡哨的loss function和optimizer

https://mp.weixin.qq.com/s/LO1W2saWslf6Ybw_MZAuQQ

⑻ neurocomputing是什麼期刊 neurocomputing簡述

1、Neurocomputing是Elsevier旗下的SCI期刊。

2、該期刊主要關注領域包括神經網路、機器學習等人工智慧領域熱門話題。隨著人工智慧領域越來越受到學術界的關注，該期刊的關注程度和影響力也在逐步提升。

⑼ 機器學習領域有哪些著名的期刊和會議

重要會議和期刊
機器學習
會議
國際機器學習會議(ICML)
國際神經信息處理系統會議(NIPS)
國際學習理論會議(COLT)
歐洲機器學習會議(ECML)
亞洲機器學習會議(ACML)
期刊
Journal of Machine Learning Research
Macine Learning
人工智慧
會議
IJCAI
AAAI
期刊
Artificial Intelligence
Journal of Artificial Intelligence Research
數據挖掘
會議
KDD
ICDM
期刊
ACM Transactions on Knowledge Discovery from Data
Data Mining and Knowledge Discovery
計算機視覺與模式識別
會議
CVPR
期刊
IEEE Transactions on Pattern Analysis and Machine Intelligence
神經網路
期刊
Neural Computation
IEEE Transaction on Neural Networks and Learning Systems
國內活動
每兩年一屆的中國機器學習大會CCML
每年舉行的機器學習及其應用研討會MLA

-----------------------------------------------------
這是從周志華《機器學習》里摘抄的