关于历年NeurIPS 的历史趋势分析

简介: 微软学术对 1996 年到 2018 年 NeurIPS 的历史趋势分析做了可视化分析,分析内容涉及论文、引文和作者等等。

雷锋网(公众号:雷锋网) AI 科技评论按:Microsoft 学术图表使得获取关于其中的任何实体,如出版物、作者、机构、主题、期刊和会议里面的分析性见解成为可能。最近,微软学术使用Microsoft 学术图表呈现了历年 NeurIPS 会议的历史趋势数据分析。他们的分析数据是从 1996 年到 2018 年的会议数据。雷锋网 AI 科技评论编译。

NeurIPS 的论文数量

下面的图表展示了每一年会议论文数量的演变。

TB1m8DGt7voK1RjSZPfXXXPKFXa.png

注:在这个图里面,海报和研讨会论文也被计入论文数。

在下面的图表中,黑色条表示每年会议论文引用的平均论文数量。数据表明,近年的出版物倾向于引用更多的论文。绿色条显示了每年会议论文收到的引文的平均数量。请注意,引用是原始计数,不受出版年限的限制。这是因为规范化引用计数的「正确」方法被证明是一个非常重要的问题,并且很可能依赖于应用程序。以下展示的图表只是这些数据的一些初步分析结果,微软学术团队欢迎更多的研究者也参与这个话题的研究、得到更有深度的结论。

TB1OiYFt7voK1RjSZFNXXcxMVXa.png

*平均引用:一篇 NeurIPS 论文在给定会议年份收到的平均引用数量。

*平均参考:一篇 NeurIPS 论文在给定会议年份收到的平均参考数量。

NeurIPS 在 2009 年更改提交指令,以允许附加页进行引用。2009 年的平均参考文献的增加可能正是由于这一规则的改变。

参考文献的年龄

NeurIPS 论文引用的论文年龄是多大?

可以通过某一年的专栏,查看当年发表的会议论文中引用的论文的年龄。例如,在 2016 年,NeurIPS 论文集中引用了 2015 年发表的 2033 篇论文、2014 年发表的 1392 篇论文等等。

TB1shfBtYPpK1RjSZFFXXa5PpXa.png

*如果有些年份引用来自未来的出版物,很可能是下面两种情况。第一种情况,他们引用了后来发表在期刊上的论文。第二种情况,他们引用了书籍。当该书的新版本出现时,它取代了微软学术图表中的前一个版本,并且该引用似乎来自未来。这个表删除了引用未来一年多的论文的所有实例,使得视图更加清晰。

论文引用

NeurIPS 论文会引用什么样的论文?他们都来自同一个会议吗?

下面的图表显示了引用来源的参考分布。条形图显示了 NeurIPS 论文引用论文来源的前 10 个种会议。排在前四位的是 NeurIPS、ICML、机器学习研究期刊和 CVPR。下面的饼状图表显示,最常被引用的 10 个会议几乎占 NeurIPS 论文总引文量的 40%。

TB1XZ2Ht7PoK1RjSZKbXXX1IXXa.png

引文来源

什么论文会引用 NeurIPS 论文?他们通常来自同一个会议吗?

下面的图表显示了不同会议的引文分布。下面的饼状图表显示,引用 NeurIPS 论文最多的 10 个会议占总引文的 24%。下面的条形图显示了引用 NeurIPS 论文最多的 10 个会议。而且,NeurIPS 排在最前面,其次是 CVPR 和 ICML。

TB1wnzBt9zqK1RjSZPcXXbTepXa.png

顶级机构

NeurIPS 接收论文的顶级机构有哪些?

气泡图通过引用 NeurIPS 论文中的引用数量,可视化了 NeurIPS 接收论文的顶级机构。气泡的颜色饱和度与 NeurIPS 接受该机构的出版物总数成正比。

TB1dkzAt3DqK1RjSZSyXXaxEVXa.png

在原报告页面 https://www.microsoft.com/en-us/research/project/academic/articles/neurips-conference-analytics/ 单击图表,可以获取最新数据,还可以更详细地了解大会上的顶级机构

TB1tOvTt4jaK1RjSZFAXXbdLFXa.png

顶尖作者

谁是 NeurIPS 论文的顶尖作者?

接下来的三个图表根据不同的标准对作者进行了排名。

气泡图表中,NeurIPS 作者按引用计数排序,气泡颜色饱和度与出版物计数相关。

TB1MDTzt4TpK1RjSZR0XXbEwXXa.png

在原报告页面 https://www.microsoft.com/en-us/research/project/academic/articles/neurips-conference-analytics/ 单击图表,获取最新数据,并更详细地了解会议中的顶级作者。在 Microsoft Power BI 报告里面,您还可以更详细地了解顶级会议作者。

TB11nDBt9zqK1RjSZPcXXbTepXa.png

下面的气泡图将作者排名可视化,作者排名由 Microsoft Academic 通过一个公式计算,该公式不容易受到引用次数的影响。X 轴显示作者排名。作者的等级越高,越接近右边。Y 轴通过出版物计数来标准化排名,并使我们能够识别那些可能没有大量出版物的有影响力的作者。作者越接近顶部,其排名越高。当然,代表最高等级的是图表的右上角。

TB1d1Yzt9zqK1RjSZPxXXc4tVXa.png

被 NeurIPS 论文引用最多的学者

谁是 NeurIPS 论文中被引用最多的学者?

下表通过使用 NeurIPS 论文引用的独特出版物和从 NeurIPS 收到的引文数量对被引用最多的学者进行了排名。学者们不必发表在 NeurIPS 上发表论文就可以出现在这张图表上。

TB1Q1Yzt9zqK1RjSZPxXXc4tVXa.png

谁是 NeurIPS 顶尖学者中的冉冉升起的明星?下面的 100% 堆叠条形图显示了排名前 20 位的学者每年的 NeurIPS 引文分布。

TB1qvrIt4TpK1RjSZFMXXbG_VXa.png

希望您喜欢微软学术图表对这次会议的分析性见解!感兴趣的读者可以访问 Microsoft Academic Graph 官方页面,了解如何使用 Microsoft 的知识图表生成关于机构、主题、作者、出版场所或任何这些组合的自定义分析图表。

关于微软学术图表工具,请点击https://www.microsoft.com/en-us/research/project/microsoft-academic-graph/。

雷锋网 AI 科技评论编译。

雷锋网版权文章,未经授权禁止转载。详情见转载须知。

目录
相关文章
|
4月前
|
缓存 网络协议 网络架构
Docker 网络 IP 地址冲突,就该这么处理!
Docker 网络 IP 地址冲突,就该这么处理!
166 2
|
7月前
|
人工智能 自动驾驶 安全
破壁人AI百度:科技公司反内卷的典型样本
简介: 互联网整个行业都在陷入被动且尴尬的局面。去年开始流行的“内卷”一词,恰如其分的描述了互联网的现状,比如抖音开始做外卖,微信强推视频号,一直硝烟弥漫的电商市场,更是激战在社区团购上。内卷背后也有人感慨,互联网到了尽头。支撑这一论述的是,移动互联网的人口红利已经消失,几款国民型APP用户增长都固定在了10亿这个级别,只能依靠自然人口的增长和迁移。
破壁人AI百度:科技公司反内卷的典型样本
|
4月前
|
Ubuntu
Ubuntu22.04,AOSP编译报错: libncurses.so.5: cannot open shared object file: No such file
本文描述了在Ubuntu 22.04系统上编译AOSP时遇到的`libncurses.so.5`缺失错误,并提供了通过安装相应库解决该问题的步骤。
473 0
|
6月前
|
存储 网络协议 数据处理
【Socket】解决UDP丢包问题
UDP(用户数据报协议)是一种无连接的传输层协议,因其不保证数据包的顺序到达和不具备内置重传机制,导致在网络拥塞、接收缓冲区溢出或发送频率过快等情况下容易出现丢包现象。为应对这些问题,可以在应用层实现重传机制、使用前向纠错码等方法。这些方法在一定程度上可以缓解UDP通信中的丢包问题,提高数据传输的可靠性和效率。
|
4月前
|
机器学习/深度学习 数据采集 PyTorch
高效数据加载与预处理:利用 DataLoader 优化训练流程
【8月更文第29天】 在深度学习中,数据加载和预处理是整个训练流程的重要组成部分。随着数据集规模的增长,数据加载的速度直接影响到模型训练的时间成本。为了提高数据加载效率并简化数据预处理流程,PyTorch 提供了一个名为 `DataLoader` 的工具类。本文将详细介绍如何使用 PyTorch 的 `DataLoader` 来优化数据加载和预处理步骤,并提供具体的代码示例。
810 1
|
7月前
|
SQL 关系型数据库 MySQL
MySQL多实例部署:从概念到实操的全面指南
MySQL多实例部署:从概念到实操的全面指南
291 0
|
机器学习/深度学习 数据可视化 Python
使用LIME解释各种机器学习模型代码示例
机器学习模型变得越来越复杂和准确,但它们的不透明性仍然是一个重大挑战。理解为什么一个模型会做出特定的预测,对于建立信任和确保它按照预期行事至关重要。在本文中,我们将介绍LIME,并使用它来解释各种常见的模型。
418 0
|
缓存 Java Spring
Springfox swagger2 自定义配置ApiInfo
Springfox swagger2 源码解析
787 0
|
人工智能 运维 Cloud Native
云原生一站式: 以PolarDB为代表的瑶池数据库,带领国产数据库换道超车
云原生一站式: 以PolarDB为代表的瑶池数据库,带领国产数据库换道超车
347 2
|
机器学习/深度学习
【DR_CAN-MPC学习笔记】2.最优化数学建模推导
【DR_CAN-MPC学习笔记】2.最优化数学建模推导