人工智能十月怀胎记:1955 1956年人工智能会议在哪举行的

发表时间：2023-07-13 05:17:45

人工智能十月怀胎记:1955

2.如何编程，以使计算机具备使用语言的能力？

据猜测，人类的大部分思想是由通过推理与想象来使用词汇获得的。根据这一观点，可以得出以下结论：人类的语言推理归纳能力是通过允许一个新词汇和包含该词汇的一些句子所暗含的一些语言规则，或其他句子所暗含的一些语言规则，进入心理词汇库中形成获得的。不过，从未有人对该观点作过精确阐释，也未列举出相关语言应用实例。

3.神经元网络

如何设计排布一组（假定的）神经元，使这些神经元能够生成概念？关于该问题Uttley,Rashevsky与其团队，FarleyandClark,PittsandMcCulloch,Minsky,RochesterandHolland等研究者曾做出大量理论研究和实验研究。曾获得了部分研究成果，但是，为了解决该问题仍需大量理论研究工作的支持。

4.计算规模理论

假定我们要解决一个非常棒的问题（需要严格测试一个富有建议性的答案是否有效），一种解决方案是一次测试所有的答案。这种方案效率低，但是，为了排除该解决方案，我们需要制定出一些关于高效计算方法的标准。我们曾考虑到，为了衡量一种计算方法的效率，有必要制定出一套用来衡量计算设备复杂性的方法，要制定出这样一套方法，需要提出一个关于功能复杂性的理论。Shannon与McCarthy就该问题开展研究，并获得了部分成果。

5.自我提升

一台真正意义上的智能机器可能会执行一些活动，这些活动在很大程度上可以成为自我提升，为了实现该目的，已经有人提出了一些方案，并值得作进一步研究。该问题也可以作抽象层面的研究。

6.抽象概念

大量的“抽象概念”类型可以得到清楚地定义，也存在一些“抽象概念”类型难以明白无误地定义。值得直接尝试划分这些“抽象概念”类型，并描述从感观数据或其他数据来源获取抽象概念的机器方法。

7.随机性与创造性

针对创造性思维与缺乏想象力的有主观决定权的思维之间的差异，我们有一个非常诱人的，但不甚完善的构想，即两者之间的差异在于随机性。这种随机性伴随直觉产生，并具有效率。换言之，一般来讲，受到限制的随机性是有序思考的产物，但是，经过思考的猜想或预感反而包括这种随机性。

除了上述由我们共同提出的供研究的问题，我们也邀请参加该项目的个体成员来陈述他们各自的研究侧重点。该项目的四位发起者的演讲见附录。

本次大会提议的发起者如下：C.E.Shannon，M.L.Minsky,N.Rochester,J.McCarthy。洛克菲勒基金会为本项目提供了相关费用支持。

我希望自己今后的研究专注于以下列举的一个或两个研究论题。

1.将信息理论概念应用到计算机器与大脑模型中。信息理论存在的一个主要问题是通过一个噪音渠道可靠传播信息。计算机器存在一个相似的问题，即运用不可靠的元素进行可靠地计算。关于该问题，vonNeumann,Shannon与Moore曾做出过研究，但是，仍然存在一些开放性问题亟待解决。关于几种元素，与渠道容量相似的概念发展问，所要求冗余的上下限深刻分析等问题都被列为重要问题。另一个问题与信息网络理论有关，在该网络中信息在许多闭合圈内流通（这种信息流通方式与通讯理论通常所主张的简易单一渠道信息流通方式形成对比）。在闭合圈中，信息流通延迟问题成为重要研究对象，有必要提出一个全新的途径。当一个信息集合的部分过去信息为已知时，这将涉及到局部熵等概念问题。

2.与机器人相匹配的环境-大脑模型。通常一台机器或动物只能在有限的环境里运转或只能适应有限的环境。即便是复杂的人类大脑最初也是先适应其存在环境的一些简单特征，逐渐适应其他复杂的环境特征。我提议，通过研究一系列相匹配（理论层面上）的环境和与之相适应的大脑模型两者的并行发展，进而综合研究大脑模型。研究的重点是对该环境模型进行分类，并用数学结构来表示该模型。通常在讨论机械化智能时，我们会联想到能够进行诸如证明某些原理，创作音乐，或下棋等高级人类思维活动的机器。在此，我提议，从简单的环境模型入手，当环境变得有利（只是无关紧要）或不那么复杂时，从一系列简易模型开始研究，慢慢朝向那些高级活动的研究迈进。

要设计出具备以下学习能力的机器并非难事。为机器配备输入与输出渠道，及一种为输入信息提供各种输出反应的内部方法，如此，机器能够通过试错法得到训练，并获得一连串的输入与输出函数。像这样一台机器，倘若放置在一个合适的环境里，并给定一套“成功”或“失败”的衡量标准，经过训练能够展示出一套“目标探索”行为模式。这样一台机器智能够在一种复杂的环境里缓慢发展，通常情况下，也不会具备高级行为模式，除非提供给这样一台机器，或机器本身能够发展，抽象感官资料。

如今，判断成功的标准不应当局限于在机器的输出渠道中产出如设计者期盼的特定活动模式，而应当包括在一个特定的环境中展示出一种特定操作的性能。在某种程度上，动力机的情况呈现一种两分式感官情形，当机器具备将其输出活动与环境变化相关联的“动力机抽象”集合整合在一起的能力时，便可以快速取得成功。

在一段时间内，我已经对这类系统作出相关研究，认为，如果设计出的机器的感官抽象与动力机抽象满足某些关系，这台机器将具备展示更高一级行为模式的能力。如果相对应的动力机行为真实发生的话，这些关系涉及到配对，动力机抽象与感官抽象，将形成代表预设的环境变化的新型感官情形。

所探寻的重要结果为：根据所处的环境特征，机器自身能够建立一个抽象的环境模型。倘若遇到困难，机器首先从内部抽象的环境模型中搜寻答案，然后才尝试外部实验。鉴于这些初始的内部研究，外部实验将变得更为灵活，机器所展示出的行为模式将被视为极具“想象力”。

在我的论文中，将尝试对机器如何模拟人类行为模式进行探究，也将朝该研究方向进一步努力。我希望，到1956年夏，我能够设计出这样一台十分接近计算机编程阶段的智能机器。

机器性能的原创性

在为一台自动化计算机编程的过程中，一般来讲，我们应当为机器设定一系列准则，以应对操作过程的任何突发事件。我们期望，机器能够在极大程度上遵循所设定的准则，展示出非原创性或常识。此外，当机器操作出现紊乱情形时，设计者也会感到厌烦，因为他为机器设置的原则本身存在些许矛盾。最后，在为机器编程过程中，设计者在处理所遇到问题时，往往会非常吃力，但是，当机器具备一点点直觉或能够进行合理性推理时，机器自身能够直接找到问题所在。本文描述的构想如下：如何使机器能够在上述提出的广泛领域中展示出更为复杂高端的行为模式。文章讨论的问题我在这五年内也或多或少地涉猎过，我希望在明年夏天的人工智能项目中该方面的研究能够有所进展。

发明或发现的过程

生活在我们的文化环境中使得我们能够解决很多问题。关于上述所描述的程序具体如何进行仍然不太明晰，但是我将依照Craik提出的模型对于该问题的这一方面进行讨论。Craik建议，心理作用主要是通过在大脑中构建小型引擎形成的，这些引擎能够模拟并预测与环境相关的抽象概念。因而，该问题的解决方法可以列举如下：

1.环境能够提供数据，基于所提供的数据形成某些抽象概念。

2.这些抽象概念与某些内在习惯或动力提供了：

1．就未来期望实现的环境，提供问题的定义，即设定一个目标。

2．解决该问题的一个建议性行动方案。

3.刺激大脑中与该情形相匹配的引擎。

4.然后，该引擎将预测该环境特征和所提出的行动方案将导致什么结果。

5.如果预测结果与目标相符，个体将继续依照所指示的方案行动。

目前，针对这种问题最实用的机器解决方案是对蒙特卡洛方法的拓展。通常能够用蒙特卡洛方法解决的问题，总是存在被误解的情形，其中存在多种可能性因素，在获得分析方案的过程中，我们不能够确定忽略哪些因素。因此，数学家使用机器进行数千项随机实验，实验结果关于答案提供了大致猜想。对蒙特卡洛方法的拓展正是运用这些结果作为引导，以确定忽略哪些因素，来简化问题，获得近似的分析型方案。

有人可能会问到，为什么这种方法也含有随机性。因为，对于机器来讲，需要运用随机性来克服编程人员的考虑不够周全的地方，克服其偏见。尽管这种方法是否有必要包含随机性尚未得到证实，当前已经由大量证据支持其存在的必要性。

具有随机性的机器

为一台自动化计算机编程使之能够具有原创性，引进随机性却不运用瞄准器是不可行的。例如，当设计者编出一种程序，使得计算机每一万步生成一个随机数据，并将其当作一项指令进行操作，结果将出现混乱。当出现大量混乱后，机器可能将会尝试一些禁止的指令或者执行停止指令，这样的话，实验将中止。

然而，针对上述问题，存在两种合理的途径。其一，发现大脑是如何成功处理操作指令混乱的，复制大脑的功能。其二，运用一些要求找到原创性答案的实例问题，尝试在自动化计算机上编程，以解决这些问题。两种方法中任意一种都可能取得成功。但是，尚未能够确定这两种方法，哪一个更快速，用时更短。我在该研究领域的工作主要侧重于前一种方法，因为我认为，为了解决这个难题，最好是能够掌握所有相关科学知识，我已经意识到这些计算机的当前状态，并体会到为机器编程的艺术魅力。

大脑的控制机制明显有别于如今的计算机控制机制。其差异性之一表现在失败的方式。一台计算机的失败主要表现在输出不合理的结果。存储误差或数据传输错误在很大程度上超出数据层面。控制误差将会导致出现任何结果，可能执行错误的指令或操作错误的输入-输出单元。另一方面，人类语言的错误可能会产生仍然有逻辑，讲得通的语言输出结果。可能大脑机制是这样的，推理的少许误差将会使得产生的随机性朝向合理正确的方向发展。也许控制行为顺序的机制能够引导这种随机因素，最终在完全随机的条件下提高想象过程的有效性。

有一些研究已经致力于在我们的自动化计算机上模拟神经元网络。本研究的重点是使机器能够形成并操作概念，具备抽象、概括及命名的能力。已经就大脑机制做出研究，实验的第一阶段主要修正该理论的某些细节，第二阶段正在进行中。预计到明年夏天，本研究将顺利完成，并完成最终实验报告。现在预测明年夏天我的实验将进行到哪一阶段还为时尚早，但是，我在论文中将坚持探寻的主要研究问题为：“如何设计出一台机器，保证其在解决问题过程中展现出原创性？”

语言与智能

在明年夏天将要召开的人工智能研讨会上，我提议研究语言与智能两者之间的关系。很明显，直接将试错法运用到处理感官数据与动力机活动两者的关系中，不会有助于机器学会更为复杂的行为模式。相反，有必要将试错法运用到更为抽象的层面上。显然，人类大脑将语言用作处理复杂现象的手段。更高水平的试错法通常以形成构想，并验证构想的形式呈现。英语语言拥有的大量语言特征是目前所描述的每一种官方语言所缺乏的。

1.可以精确描述英语中经由非正式数学补充表达的幅角。

2.英语应用范围的广泛性使得这种语言能够吸收并合理利用其他任何一种语言。

3.英语语言使用者能够用英语来指代自己，并根据自己解决研究过程中的所遇到问题的进展，重新修正自己的陈述方式。

4.除了证明规则，英语，倘若在数学中得到完全表达，能够形成猜测式规则。

目前制定的逻辑语言已经形成指令列表，允许计算机进行超前计算，或者形成数学中的部分公式表达法。后者已经被构建，以便于：

1.用非正式数学表达方式进行简单的描述。

2.允许将陈述表达从非正式数学表达法翻译为语言。

3.讨论某证明过程。

目前，尚未有人尝试将人工语言中的证明过程变得与非正式数学中的证明过程一样简短。因而，构建一种能够用计算机编程的人工语言来解决需要猜想与自我推理的问题是值得尝试的。这种人工语言应当与英语保持一致，即关于特定主题简短的英语陈述应当对应人工语言中简短的陈述方式，故英语中简短的观点应当对应人工语言中简短的猜测性观点。我希望能够制定出一种具备这些特征的人工语言，并且包括实物，事件等概念，也希望运用这种人工语言，使为机器编程，以便机器能够像人类一样玩游戏，并完成其他任务成为可能。

以下是将参加明年的达特茅斯研讨会的人员以及对此研究课题感兴趣的人员名单：

后记：

在2006年7月12-15号，达特茅斯人工智能会议（DartmouthArtificialIntelligenceConference）召开，本次大会的主题为“下一个五十年（AI@50）”，并以此纪念这次“达特茅斯会议（DartmouthConference）”五十周年。十位最初参与的科学家中有五位也出席了会议，他们是：MarvinMinsky,RaySolomonoff,OliverSelfridge,TrenchardMore,andJohnMcCarthy。大会主席JamesMoor在AI杂志发表的总结报告中提及：

“想要对任何进展找出它的开始日期是困难的，但是1956年的达特茅斯夏季研究项目经常被认为是将AI作为一个研究领域的开端。JohnMcCarthy，当时是达特茅斯的一名数学教授，他对于自己和ClaudeShannon合作的论文（发表在AutomataStudies上）感到失望，因为其没有更多地提到计算机在获取智能上更多的可能性。因此，在JohnMcCarthy,MarvinMinsky,ClaudeShannon和NathanielRochester为1956年研讨会写的提案中，McCarthy想要进一步明确这个概念，他也被认为是“人工智能”这个词的创造者，为这个领域的研究打好了方向。设想下，如果当时采用“计算智能”或者其他任何一种可能的词，现在人工智能领域的研究会不会有所不同？”

1956年的原始项目中的五位科学家参与了AI@50，他们都回忆了那段往事。

McCarthy认为1956年的项目并没有达到初始的合作预期。参会者没有同时抵达，并且基本还是维持在他们自己的研究日程中。但是McCarthy强调在项目期间还是有许多重大的研究进展，特别是AllenNewell,CliffShaw,和HerbertSimon的信息处理语言(IPL)，以及逻辑理论机器；

MarvinMinsky提到，虽然他在1956项目之前几年就将神经网络作为自己的学位论文来进行研究，但是他中断了这个工作因为他确信使用计算机的其他方式能够在这方面取得进步。Minsky也提到当下太多AI研究只是想做那些最流行的东西，也只发表哪些成功的结果。他认为AI之所以能成为科学是因为之前的学者不仅发表那些成功的结果，也发表那些失败了的；

OliverSelfridge特别提到那些相关领域的研究（不管在1956夏季项目之前还是之后）都为推动AI成为一个研究领域做出了重要的贡献。改进语言和机器的发展都是其本质原因。他提出对许多早期先驱科学家进行致敬，像开发了分时理论的J.C.R.Licklider，设计了IBM计算机的NatRochester，以及一直致力于感知器研究的FrankRosenblatt；

TrenchardMore被罗切斯特大学（UniversityofRochester）派到暑期项目中两个星期。一些有关AI项目最好的笔记是由他所记录，虽然讽刺的是他承认自己从来都不喜欢“人工”或者“智能”来作为这个研究领域的名称；

RaySolomonoff说他之所以去这个暑期项目是希望能说服大家有关机器学习的重要性。他在项目期间了解到大量有关图灵机的事情，影响了他未来的工作。

因而，1956年的夏季研究项目在某些方面不甚令人满意。研究项目的参与者到来的时间各不相同，各顾各致力于自己的项目，因而，这个研究项目不能称得上是普通意义上的会议。该研究领域在基本理论层面没有达到一致见解，特别是在关于学习的基本理论方面缺少统一定义。AI研究领域的发展并不是建立在方法，问题选择或普通理论的一致性上，而是研究者之间拥有共同的愿景——可以是计算机执行智能任务。在1956年大会的提案中，该愿景被加粗描述：“我们的研究建立在这样的一种猜想之上，即（人类的）学习的每一方面或者智能的任意一种特征在原则上都能够被精确描述，并可以由机器可以用来模拟学习和智能，我们的研究是建立在这一猜想的基础之上”。

尽管在过去的50年间，AI研究领域取得了多方面的成功，在该领域中仍存在无数明显的分歧。经常出现不同的研究领域不愿意合作，研究者使用不同的研究方法，仍然缺少关于智能或学习统一的基本理论，使得该领域的研究能够保持一致性，实现同步发展。（编者按：在近十年来情况有所变化，以深度学习为代表的方法成为了人工智能的主流方向。尽管如此，学界仍在期待其他的理论在人工智能领域方面的突破，不可否认的是，1956年的达特茅斯会议正是人工智能领域最重要的历史性里程碑之一，并仍然在指导着人工智能未来研究的方向。）

本文由雷锋网(搜索“雷锋网”公众号关注)编译，未经允许拒绝转载！

viaJ.McCarthyetal.返回搜狐，查看更多

“人工智能”一词最初是在1956年Dartmouth学会上提出的

0分享至

“人工智能”一词最初是在1956年Dartmouth学会上提出的。从那以后，研究者们发展了很多理论和原理，人工智能的概念也随之扩展。人工智能是一门极其复杂且具有挑战性的科学，它涉及的学科范围非常广泛，如果要从事这项工作，必须懂得计算机知识、心理学知识和哲学知识等等。总的说来，人工智能研究的主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但在不同时代、不同的人对这种“复杂工作”的理解是不尽相同的，例如繁重的科学和工程运算本来是要人脑来承担的，而计算机不仅能出色地完成这种运算,而且比人脑做得更快、更准确。

因此，当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”。由此可见，复杂工作的内涵是随时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也是随着时代的发展而发展的。它一方面不断取得新的进展，另一方面又朝着更有意义、更加困难的目标转向。目前可以用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机，因此人工智能的发展是与计算机的发展紧密联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学以及哲学等众多学科。人工智能学科研究的内容主要包括知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等领域。

人工智能是计算机学科的一个分支，20世纪70年代以来被称为世界三大尖端技术（空间技术、能源技术、人工智能）之一，也被认为是21世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近30年来，人工智能获得了迅速的发展，在很多学科领域都获得了广泛应用，并且取得了丰硕的成果。人工智能在实际生活中应用非常广泛，比如用于机器视觉：指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别等；此外还可以用于专家系统、智能搜索、定理证明、博弈、自动程序设计、航天等方面。目前，人工智能还处于进一步研究中，但是有学者认为让计算机拥有智商是非常危险的，比如它可能会反抗人类。

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.

/阅读下一篇/返回网易首页下载网易新闻客户端

新一代人工智能的发展与展望

随着大数据、云计算等技术的飞速发展，人们生产生活的数据基础和信息环境得到了大幅提升，人工智能（AI）正在从专用智能迈向通用智能，进入了全新的发展阶段。国务院印发的《新一代人工智能发展规划》指出新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。在4月10日“吴文俊人工智能科学技术奖”十周年颁奖盛典中，作为我国不确定性人工智能领域的主要开拓者、中国人工智能学会名誉理事长李德毅院士荣获“吴文俊人工智能最高成就奖”，并在大会上作题为《探索什么叫新一代人工智能》的报告，探讨了新一代人工智能的内涵和路径，引领着新一代人工智能的发展与展望。

人工智能这一概念诞生于1956年在美国达特茅斯学院举行的“人工智能夏季研讨会”，随后在20世纪50年代末和80年代初先后两次步入发展高峰，但因为技术瓶颈、应用成本等局限性而均掉入低谷。在信息技术的引领下，数据信息快速积累，运算能力大幅提升，人工智能发展环境发生了巨大变化，跨媒体智能、群体智能成为新的发展方向，以2006年深度学习模型的提出为标志，人工智能第三次站在了科技发展的浪潮之巅。

当前，随着移动互联网、物联网、大数据、云计算和人工智能等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。在多源数据、多元应用和超算能力、算法模型的共同驱动下，传统以计算机智能为基础的、依赖于算力算法和数据的人工智能，强调通用学习和大规模训练集的机器学习，正逐渐朝着以开放性智能为基础、依赖于交互学习和记忆、基于推理和知识驱动的以混合认知模型为中心的新一代人工智能方向迈进。应该说，新一代人工智能的内核是“会学习”，相较于当下只是代码的重复简单执行，新一代人工智能则需要能够在学习过程中解决新的问题。其中，学习的条件是认知，学习的客体是知识，学习的形态是交互，学习的核心是理解，学习的结果是记忆……因此，学习是新一代人工智能解释解决现实问题的基础，记忆智能是新一代人工智能中多领域、多情景可计算智能的边界和约束。进而当人类进入和智能机器互动的时代，新一代人工智能需要与时俱进地持续学习，不断检视解决新的问题，帮助人机加深、加快从对态势的全息感知递进到对世界的多维认知。

事实上，基于数据驱动型的传统人工智能，大多建立在“数据中立、算法公正和程序正义”三要素基础之上，而新一代人工智能更关注于交互能力，旨在通过设计“记忆”模块来模仿人脑，解决更灵活多变的实际问题，真正成为“不断学习、与时俱进”的人工智能。特别是人机交互支撑实现人机交叉融合与协同互动，目前已在多个领域取得了卓越成果，形成了多方面、多种类、多层次的应用。例如，在线客服可以实现全天候不间断服务，轻松解决用户咨询等问题，也可将棘手问题转交人工客服处理，降低了企业的管理成本；在智慧医疗领域，人工智能可以通过神经影像实现辅助智能诊断，帮助医生阅片，目前准确率已达95%以上，节省了大量的人力；2020年，在抗击疫情的过程中，新一代人工智能技术加速与交通、医疗、教育、应急等事务协作联动，在科技战“疫”中大显身手，助力疫情防控取得显著成效。

未来已来，随着人工智能逐渐融入居民生活的方方面面，将继续在智慧医疗、自动驾驶、工业制造智能化等领域崭露头角。一是基于新一代人工智能的智慧医疗，将助力医院更好记录、存储和分析患者的健康信息，提供更加精准化和个性化的健康服务，显著提升医院的临床诊断精确度。二是通过将新一代人工智能运用于自动驾驶系统的感知、预测和决策等方面，重点解决车道协同、多车调度、传感器定位等问题，重新定义城市生活中人们的出行方式。三是由于我国工业向大型化、高速化、精细化、自主化发展，对高端大规模可编程自动化系统提出迫切需求，新一代人工智能将推动基于工业4.0发展纲领，以高度自动化的智能感知为核心，主动排除生产障碍，发展具备有适应性、资源效率、人机协同工程的智能工厂应运而生。总之，如何展望人工智能通过交互学习和记忆理解实现自编程和自成长，提升自主学习和人机交互的效率，将是未来研究着力发展的硬核领域，并加速新一代信息技术与智能制造深度融合，推动数字化转型走深走实，有信心、有能力去迎接下一场深刻产业变革的到来。

作者：徐云峰

catalogs:13000076;contentid:7688970;publishdate:2021-06-11;author:黄童欣;file:1623414511328-aff718d9-3742-46b0-b08c-e56bdd1ed8c8;source:29;from:中华读书报;timestamp:2021-06-1120:28:23;[责任编辑:]

【转】世界顶级人工智能会议的总结

前言：

本文转自世界顶级人工智能会议的总结_circle的专栏-CSDN博客_uai会议。

据转载博客的作者说，这篇博客的内容转自南京大学周志华教授的博客，且原文链接已经找不到了。

我转这篇文章主要原因是：在读文献时，会遇到一些会议论文，但是不同会议论文的水平参差不齐，该不该重视一篇问问，以及该不该相信论文的结果，是一个在读文献前与读文献中需要考虑的问题。自己目前并没有对所有数据挖掘的会议都很熟悉，不同细分领域有不同的顶会顶刊，因此转来这篇博客以供参考。

说明:纯属个人看法,仅供参考.tier-1的列得较全,tier-2的不太全,tier-3的很不全.

同分的按字母序排列.

不很严谨地说,tier-1是可以令人羡慕的,tier-2是可以令人尊敬的,

由于AI的相关会议非常多,所以能列进tier-3的也是不错的。

==========================================================

tier-1:

IJCAI(1+):InternationalJointConferenceonArtificialIntelligence

AAAI(1):NationalConferenceonArtificialIntelligence

COLT(1):AnnualConferenceonComputationalLearningTheory

CVPR(1):IEEEInternationalConferenceonComputerVisionandPattern Recognition

ICCV(1):IEEEInternationalConferenceonComputerVision

ICML(1):InternationalConferenceonMachineLearning

NIPS(1):AnnualConferenceonNeuralInformationProcessingSystems

ACL(1-):AnnualMeetingoftheAssociationforComputationalLinguistics

KR(1-):InternationalConferenceonPrinciplesofKnowledgeRepresentation andReasoning

SIGIR(1-):AnnualInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval

SIGKDD(1-):ACM SIGKDD InternationalConferenceonKnowledgeDiscoveryandDataMining

UAI(1-):InternationalConferenceonUncertaintyinArtificialIntelligence

*Impactfactor(AccordingtoCiteseer03):

IJCAI：1.82(top4.09%)

AAAI：1.49(top9.17%)

COLT：1.49(top9.25%)

ICCV：1.78(top4.75%)

ICML：2.12(top1.88%)

NIPS：1.06(top20.96%)

ACL：1.44(top10.07%)

KR：1.76(top4.99%)

SIGIR：1.10(top19.08%)

Average：1.56(top8.02%)

IJCAI(1+):AI最好的综合性会议,1969年开始,每两年开一次,奇数年开.因为AI实在太大,所以虽然每届基本上能录100多篇（现在已经到200多篇了），但分到每个领域就没几篇了，像machinelearning、computervision这么大的领域每次大概也就10篇左右,所以难度很大.不过从录用率上来看倒不太低,基本上20%左右,因为内行人都会掂掂分量,没希望的就别浪费reviewer的时间了.最近中国大陆投往国际会议的文章象潮水一样,而且因为国内很少有能自己把关的研究组,所以很多会议都在complain说中国的低质量文章严重妨碍了PC的工作效率.在这种情况下,估计这几年国际会议的录用率都会降下去.另外,以前的IJCAI是没有poster的,03年开始,为了减少被误杀的好人,增加了2页纸的poster.值得一提的是,IJCAI是由貌似一个公司的”IJCAIInc.”主办的(当然实际上并不是公司,实际上是个基金会),每次会议上要发几个奖,其中最重要的两个是IJCAIResearchExcellenceAward和Computer&ThoughtsAward,前者是终身成就奖,每次一个人,基本上是AI的最高奖(有趣的是,以AI为主业拿图灵奖的6位中,有2位还没得到这个奖),后者是奖给35岁以下的=青年科学家,每次一个人.这两个奖的获奖演说是每次IJCAI的一个重头戏.另外,IJCAI的PCmember相当于其他会议的areachair,权力很大,因为是由PCmember去找reviewer来审,而不象一般会议的PCmember其实就是reviewer.为了制约这种权力,IJCAI的审稿程序是每篇文章分配2位PCmember,primaryPCmember去找3位reviewer,secondPCmember找一位.

AAAI(1):美国人工智能学会AAAI的年会.是一个很好的会议,但其档次不稳定,可以给到1+,也可以给到1-或者2+,总的来说我给它”1″.这是因为它的开法完全受IJCAI制约:每年开,但如果这一年的IJCAI在北美举行,那么就停开.所以,偶数年里因为没有IJCAI,它就是最好的AI综合性会议,但因为号召力毕竟比IJCAI要小一些,特别是欧洲人捧AAAI场的比IJCAI少得多(其实亚洲人也是),所以比IJCAI还是要稍弱一点,基本上在1和1+之间;在奇数年,如果IJCAI不在北美,AAAI自然就变成了比IJCAI低一级的会议(1-或2+),例如2005年既有IJCAI又有AAAI,两个会议就进行了协调,使得IJCAI的录用通知时间比AAAI的deadline早那么几天,这样IJCAI落选的文章可以投往AAAI.在审稿时IJCAI的PCchair也在一直催,说大家一定要快,因为AAAI那边一直在担心IJCAI的录用通知出晚了AAAI就麻烦了.

COLT(1):这是计算学习理论最好的会议,ACM主办,每年举行.计算学习理论基本上可以看成理论计算机科学和机器学习的交叉, 所以这个会被一些人看成是理论计算机科学的会而不是AI的会.我一个朋友用一句话对它进行了精彩的刻画:“一小群数学家在开会”.因为COLT的领域比较小,所以每年会议基本上都是那些人.这里顺便提一件有趣的事,因为最近国内搞的会议太多太滥,而且很多会议都是LNCS/LNAI出论文集,LNCS/LNAI基本上已经被搞臭了,但很不幸的是,LNCS/LNAI中有一些很好的会议,例如COLT.

CVPR(1): 计算机视觉和模式识别方面最好的会议之一,IEEE主办,每年举行.虽然题目上有计算机视觉,但个人认为它的模式识别味道更重一些.事实上它应该是模式识别最好的会议,而在计算机视觉方面,还有ICCV与之相当.IEEE一直有个倾向,要把会办成”盛会”,历史上已经有些会被它从quality很好的会办成”盛会”了.CVPR搞不好也要走这条路.这几年录的文章已经不少了.最近负责CVPR会议的TC的chair发信说,对这个community来说,让好人被误杀比被坏人漏网更糟糕,所以我们是不是要减少好人被误杀的机会啊?所以我估计明年或者后年的CVPR就要扩招了.

ICCV(1):介绍CVPR的时候说过了,计算机视觉方面最好的会之一.IEEE主办,每年举行.（注：我查了下2011年之前是两年一次，之后是每年举行）

ICML(1):机器学习方面最好的会议之一.现在是IMLS主办,每年举行.参见关于NIPS的介绍.

NIPS(1):神经计算方面最好的会议之一,NIPS主办,每年举行.值得注意的是,这个会每年的举办地都是一样的,以前是美国丹佛,现在是加拿大温哥华;而且它是年底开会,会开完后第2年才出论文集,也就是说,NIPS’05的论文集是06年出.会议的名字“AdvancesinNeuralInformationProcessingSystems”,所以,与ICMLECML这样的”标准的”机器学习会议不同,NIPS里有相当一部分神经科学的内容,和机器学习有一定的距离.但由于会议的主体内容是机器学习,或者说与机器学习关系紧密,所以不少人把NIPS看成是机器学习方面最好的会议之一.这个会议基本上控制在MichaelJordan的徒子徒孙手中,所以对Jordan系的人来说,发NIPS并不是难事,一些未必很强的工作也能发上去,但对这个圈子之外的人来说,想发一篇实在很难,因为留给”外人”的口子很小.所以对Jordan系以外的人来说,发NIPS的难度比ICML更大.换句话说,ICML比较开放,小圈子的影响不象NIPS那么大,所以北美和欧洲人都认,而NIPS则有些人(特别是一些欧洲人,包括一些大家)坚决不投稿.这对会议本身当然并不是好事, 但因为Jordan系很强大,所以它似乎也不太care.最近IMLS(国际机器学习学会)改选理事,有资格提名的人包括近三年在ICMLECMLCOLT发过文章的人,NIPS则被排除在外了.无论如何,这是一个非常好的会.（注：MichaelJordan是伯克利大学教授，统计机器学习的老大，大牛中的巨牛）

ACL(1-):计算语言学/自然语言处理方面最好的会议,ACL(Associationof ComputationalLinguistics)主办,每年开.

KR(1-):知识表示和推理方面最好的会议之一,实际上也是传统AI(即基于逻辑的AI)最好的会议之一.KRInc.主办,现在是偶数年开.

SIGIR(1-):信息检索方面最好的会议,ACM主办,每年开.这个会现在小圈子气越来越重.信息检索应该不算AI,不过因为这里面用到机器学习越来越多,最近几年甚至有点机器学习应用会议的味道了,所以把它也列进来.

SIGKDD(1-):数据挖掘方面最好的会议,ACM主办,每年开.这个会议历史比较短, 毕竟,与其他领域相比,数据挖掘还只是个小弟弟甚至小侄儿.在几年前还很难把它列在tier-1里面,一方面是名声远不及其他的topconference响亮,另一方面是相对容易被录用.但现在它被列在tier-1应该是毫无疑问的事情了.

UAI(1-):名字叫”人工智能中的不确定性”,涉及表示推理学习等很多方面,AUAI (AssociationofUAI)主办,每年开.

update：

（转载自：https://www.zhihu.com/question/47940549/answer/143487593）

ICLR(InternationalConferenceonLearningRepresentations)由DL领域的大牛YannLeCun和YoshuaBengio等人在2013年发起，是深度学习领域最重要的会议之一，尽管才第五届，已经有很多非常重要的文章，比如VGGNet,attention等，经历了今年的review过程，ICLR的过程为全程openreview，所有reviewer的意见都可以看到，同时每一个人都可以随意点评和给分。

==========================================================

tier-2:

AAMAS(2+):InternationalJointConferenceonAutonomousAgentsand MultiagentSystems

ECCV(2+):EuropeanConferenceonComputerVision

ECML(2+):EuropeanConferenceonMachineLearning

ICDM(2+):IEEEInternationalConferenceonDataMining

SDM(2+):SIAMInternationalConferenceonDataMining

ICAPS(2):InternationalConferenceonAutomatedPlanningandScheduling

ICCBR(2):InternationalConferenceonCase-BasedReasoning

COLLING (2):InternationalConferenceonComputationalLinguistics

ECAI (2):EuropeanConferenceonArtificialIntelligence

ALT(2-):InternationalConferenceonAlgorithmicLearningTheory

EMNLP(2-):ConferenceonEmpiricalMethodsinNaturalLanguageProcessing

ILP (2-):InternationalConferenceonInductiveLogicProgramming

PKDD (2-):EuropeanConferenceonPrinciplesandPracticeofKnowledge DiscoveryinDatabases

*Impactfactor(AccordingtoCiteseer03):

ECCV：1.58(top7.20%)

ECML：0.83(top30.63%)

ICDM：0.35(top59.86%)

ICCBR：0.72(top36.69%)

ECAI：0.69(top38.49%)

ALT：0.63(top42.91%)

ILP：1.06(top20.80%)

PKDD：0.50(top51.26%)

Average：0.80(top32.02%)

AAMAS(2+):agent方面最好的会议.但是现在agent已经是一个一般性的概念, 几乎所有AI有关的会议上都有这方面的内容,所以AAMAS下降的趋势非常明显.

ECCV(2+):计算机视觉方面仅次于ICCV的会议,因为这个领域发展很快,有可能升级到1-去.

ECML(2+):机器学习方面仅次于ICML的会议,欧洲人极力捧场,一些人认为它已经是1-了.我保守一点,仍然把它放在2+.因为机器学习发展很快,这个会议的reputation上升非常明显.

ICDM(2+):数据挖掘方面仅次于SIGKDD的会议,目前和SDM相当.这个会只有5年历史,上升速度之快非常惊人.几年前ICDM还比不上PAKDD,现在已经拉开很大距离了.

SDM(2+):数据挖掘方面仅次于SIGKDD的会议,目前和ICDM相当.SIAM的底子很厚,但在CS里面的影响比ACM和IEEE还是要小,SDM眼看着要被ICDM超过了,但至少目前还是相当的.

ICAPS(2):人工智能规划方面最好的会议,是由以前的国际和欧洲规划会议合并来的.因为这个领域逐渐变冷清,影响比以前已经小了.

ICCBR(2):Case-BasedReasoning方面最好的会议.因为领域不太大,而且一直半冷不热,所以总是停留在2上.

COLLING(2):计算语言学/自然语言处理方面仅次于ACL的会,但与ACL的差距比ICCV-ECCV和ICML-ECML大得多.

ECAI(2):欧洲的人工智能综合型会议,历史很久,但因为有IJCAI/AAAI压着,很难往上升.

ALT(2-):有点象COLT的tier-2版,但因为搞计算学习理论的人没多少,做得好的数来数去就那么些group,基本上到COLT去了,所以ALT里面有不少并非计算学习理论的内容.

EMNLP(2-):计算语言学/自然语言处理方面一个不错的会.有些人认为与COLLING相当,但我觉得它还是要弱一点.

ILP(2-):归纳逻辑程序设计方面最好的会议.但因为很多其他会议里都有ILP方面的内容,所以它只能保住2-的位置了.

PKDD(2-):欧洲的数据挖掘会议,目前在数据挖掘会议里面排第4.欧洲人很想把它抬起来,所以这些年一直和ECML一起捆绑着开,希望能借ECML把它带起来.但因为ICDM和SDM,这已经不太可能了.所以今年的PKDD和ECML虽然还是一起开,但已经独立审稿了(以前是可以同时投两个会,作者可以声明优先被哪个会考虑,如果ECML中不了还可以被PKDD接受).

==========================================================

tier-3:

ACCV(3+):AsianConferenceonComputerVision

DS(3+):InternationalConferenceonDiscoveryScience

ECIR(3+):EuropeanConferenceonIRResearch

ICTAI(3+):IEEEInternationalConferenceonToolswithArtificialIntelligence

PAKDD (3+):Pacific-AsiaConferenceonKnowledgeDiscoveryandDataMining

ICANN (3+):InternationalConferenceonArtificialNeuralNetworks

AJCAI(3):AustralianJointConferenceonArtificialIntelligence

CAI (3):CanadianConferenceonArtificialIntelligence

CEC(3):IEEECongressonEvolutionaryComputation

FUZZ-IEEE(3):IEEEInternationalConferenceonFuzzySystems

GECCO(3):GeneticandEvolutionaryComputationConference

ICASSP(3):InternationalConferenceonAcoustics,Speech,andSignal Processing

ICIP(3):InternationalConferenceonImageProcessing

ICPR(3):InternationalConferenceonPatternRecognition

IEA/AIE(3):InternationalConferenceonIndustrialandEngineeringApplicationsofArtificialIntelligenceandExpertSystems

IJCNN(3):InternationalJointConferenceonNeuralNetworks

IJNLP(3):InternationalJointConferenceonNaturalLanguageProcessing

PRICAI(3):Pacific-RimInternationalConferenceonArtificialIntelligence

*Impactfactor(AccordingtoCiteseer03):

ACCV：0.42(top55.61%)

ICTAI：0.25(top69.86%)

PAKDD：0.30(top65.60%)

ICANN：0.27(top67.73%)

AJCAI：0.16(top79.44%)

CAI：0.26(top68.87%)

ICIP：0.50(top50.20%)

IEA/AIE：0.09(top87.79%)

PRICAI：0.19(top76.33%)

Average：0.27(top68.30%)

ACCV(3+):亚洲的计算机视觉会议,在亚太级别的会议里算很好的了.

DS(3+):日本人发起的一个接近数据挖掘的会议.

ECIR(3+):欧洲的信息检索会议,前几年还只是英国的信息检索会议.

ICTAI(3+):IEEE最主要的人工智能会议,偏应用,是被IEEE办烂的一个典型.以前的quality还是不错的,但是办得越久声誉反倒越差了,糟糕的是似乎还在继续下滑,现在其实3+已经不太呆得住了.

PAKDD(3+):亚太数据挖掘会议,目前在数据挖掘会议里排第5.

ICANN(3+):欧洲的神经网络会议,从quality来说是神经网络会议中最好的,但这个领域的人不重视会议,在该领域它的重要性不如IJCNN.

AJCAI(3):澳大利亚的综合型人工智能会议,在国家/地区级AI会议中算不错的了.

CAI(3):加拿大的综合型人工智能会议,在国家/地区级AI会议中算不错的了.

CEC(3):进化计算方面最重要的会议之一,盛会型.IJCNN/CEC/FUZZ-IEEE这三个会议是计算智能或者说软计算方面最重要的会议,它们经常一起开,这时就叫WCCI(WorldCongressonComputationalIntelligence).但这个领域和CS其他分支不太一样,倒是和其他学科相似,只重视journal,不重视会议,所以录用率经常在85%左右,所录文章既有quality非常高的论文,也有入门新手的习作.

FUZZ-IEEE(3):模糊方面最重要的会议,盛会型,参见CEC的介绍.

GECCO(3):进化计算方面最重要的会议之一,与CEC相当，盛会型.

ICASSP(3):语音方面最重要的会议之一,这个领域的人也不很care会议.

ICIP(3):图像处理方面最著名的会议之一,盛会型.

ICPR(3):模式识别方面最著名的会议之一,盛会型.

IEA/AIE(3):人工智能应用会议.一般的会议提名优秀论文的通常只有几篇文章,被提名就已经是很高的荣誉了,这个会很有趣,每次都搞1、20篇的优秀论文提名,专门搞几个session做被提名论文报告,倒是很热闹.

IJCNN(3):神经网络方面最重要的会议,盛会型,参见CEC的介绍.

IJNLP(3):计算语言学/自然语言处理方面比较著名的一个会议.

PRICAI(3):亚太综合型人工智能会议,虽然历史不算短了,但因为比它好或者相当的综合型会议太多,所以很难上升.

==========================================================

列list只是为了帮助新人熟悉领域,给出的评分或等级都是个人意见,仅供参考.特别要说明的是:

1.tier-1conference上的文章并不一定比tier-3的好,只能说前者的平均水准更高.

2.研究工作的好坏不是以它发表在哪儿来决定的,发表在高档次的地方只是为了让工作更容易被同行注意到.tier-3会议上发表1篇被引用10次的文章可能比在tier-1会议上发表10篇被引用0次的文章更有价值.所以,数top会议文章数并没有太大意义,重要的是同行的评价和认可程度.

3.很多经典工作并不是发表在高档次的发表源上,有不少经典工作甚至是发表在很低档的发表源上.原因很多,就不细说了.

4.会议毕竟是会议,由于审稿时间紧,错杀好人和漏过坏人的情况比比皆是,更何况还要考虑到有不少刚开始做研究的学生在代老板审稿.

5.会议的reputation并不是一成不变的，新会议可能一开始没什么声誉，但过几年后就野鸡变凤凰，老会议可能原来声誉很好，但越来越往下滑.

6.只有计算机科学才重视会议论文,其他学科并不把会议当回事.但在计算机科学中也有不太重视会议的分支.

7.Politics无所不在.你老板是谁,你在哪个研究组,你在哪个单位,这些简单的因素都可能造成决定性的影响.换言之,不同环境的人发表的难度是不一样的.了解到这一点后,你可能会对high-level发表源上来自low-level单位名不见经传作者的文章特别注意(例如如果上发表了平顶山铁道电子信息科技学院的作者的文章,我一定会仔细读).

8.评价体系有巨大的影响.不管是在哪儿谋生的学者,都需要在一定程度上去迎合评价体系,否则连生路都没有了,还谈什么做研究.以国内来说,由于评价体系只重视journal,有一些工作做得很出色的学者甚至从来不投会议.另外,经费也有巨大的制约作用.国外很多好的研究组往往是重要会议都有文章.但国内是不行的,档次低一些的会议还可以投了只交注册费不开会,档次高的会议不去做报告会有很大的负面影响,所以只能投很少的会议.这是在国内做CS研究最不利的地方.我的一个猜想：人民币升值对国内CS研究会有不小的促进作用(当然,人民币升值对整个中国来说利大于弊还是弊大于利很难说).

==========================================================

中国计算机学会推荐的人工智能与模式识别领域相关国际期刊

一、A类

序号

刊物简称

刊物全称

出版社

网址

ArtificialIntelligence

ELSEVIER

http://www.sciencedirect.com/science/journal/00043702

TPAMI

IEEETransonPatternAnalysisandMachineIntelligence

IEEE

http://www.computer.org/tpami/

JMLR

JournalofMachineLearningResearch

MITPress

http://www.jmlr.org/

IJCV

InternationalJournalofComputerVision

Springer

http://www.springerlink.com/content/

二、B类

序号

刊物简称

刊物全称

出版社

网址

MachineLearning

Springer

http://www.springerlink.com/content/

NeuralComputation

MITPress

http://neco.mitpress.org/

ComputationalLinguistics

MITPress

http://www.mitpressjournals.org/loi/coli

JAIR

JournalofAIResearch

AAAI

http://www.jair.org/

TEC

IEEETransonEvolutionaryComputation

IEEE

http://www.ieee-nns.org/pubs/tec

ComputationalIntelligence

Blackwell

http://www.blackwellpublishers.co.uk/

CognitiveScience

Elsevier

http://www.elsevier.com/wps/product/cws_home/620194

TNN

IEEETransonNeuralNetworks

IEEE

http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=72

EvolutionaryComputation

MITPress

http://mitpress.mit.edu/journal-home.tcl?issn=10636560

10.

IEEETransactiononSpeechandAudioProcessing

IEEE

http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=89

11.

PatternRecognition

ELSEVIER

http://www.elsevier.com/locate/pr

12.

CVIU

ComputerVisionandImageUnderstanding

ELSEVIER

http://www.elsevier.com/locate/cviu

13.

IEEEIntelligentSystems

IEEE

http://computer.org/intelligent/

14.

ArtificialIntelligenceReview

Springer

http://www.springerlink.com/content/100240/

15.

NeuralNetworks

ELSEVIER

http://www.elsevier.com/locate/neunet

16.

MachineTranslation

Springer

http://www.springerlink.com/content/100310/

17.

T-RA

IEEETransonRoboticsandAutomation

IEEE

http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=70

18.

IJAR

InternationalJournalofApproximateReasoning

ELSEVIER

http://www.sciencedirect.com/science/journal/0888613X

19.

KER

KnowledgeEngineeringReview

Cambridge

http://titles.cambridge.org/journals/

20.

DKE

DataandKnowledgeEngineering

ELSEVIER

http://www.elsevier.com/wps/product/cws_home/505608

21.

TCBB

IEEE/ACMTransonComputationalBiologyandBioinformatics

IEEE

http://www.computer.org/tcbb/index.htm

22.

T-ITB

IEEETransactionsonInformationTechnologyinBiomedicine

IEEE

TervetuloaVTT:lle|VTT

23.

TFS

IEEETransactionsonFuzzySystems

IEEE

http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=91

24.

TSLP

ACMTransactionsonSpeechandLanguageProcessing

ACM

http://www.acm.org/pubs/tslp.html

25.

TALIP

ACMTransactionsonAsianLanguageInformationProcessing

ACM

http://talip.acm.org/

26.

JournalofAutomatedReasoning

Springer

http://www.springer.com/computer/foundations/journal/10817

27.

AICom

AICommunications

iOS

http://www.iospress.nl/html/09217126.html

三、C类

序号

刊物简称

刊物全称

出版社

网址

IDA

IntelligentDataAnalysis

ELSEVIER

http://www.elsevier.com/wps/locate/ida

AppliedIntelligence

Springer

http://www.springerlink.com/content/100236/

SMC

IEEETransonSystems,Man,&Cybernetics,PartA&B&C

IEEE

http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=3477

NLE

NaturalLanguageEngineering

CambridgeUniversity

http://www.cup.cam.ac.uk/

AMAI

AnnalsofMathematicsandArtificialIntelligence

Springer

http://www.springeronline.com/sgw/cda/frontpage/0,11855,5-147-70-35674745-0,00.html

IJDAR

InternationalJournalofDocumentAnalysisandRecognition

Springer

http://www.springerlink.com/content/101562/

KBS

Knowledge-BasedSystems

ELSEVIER

http://www.elsevier.com/locate/knosys

Neurocomputing

ELSEVIER

http://www.elsevier.com/locate/neucom

NCA

NeuralComputing&Applications

Springer

http://www.springerlink.com/content/102827/

10.

NPL

NeuralProcessingLetters

Springer

http://www.springerlink.com/content/100321/

11.

PRL

PatternRecognitionLetters

ELSEVIER

http://www.elsevier.com/locate/patrec

12.

PAA

PatternAnalysisandApplications

Springer

http://www.springerlink.com/content/103609/

13.

ConnectionScience

Taylor&Francis

http://www.tandf.co.uk/journals/tf/09540091.html

14.

AIM

ArtificialIntelligenceinMedicine

Elsevier

http://www.elsevier.com/wps/product/cws_home/

15.

DSS

DecisionSupportSystems

Elsevier

http://www.elsevier.com/wps/product/cws_home/

16.

IVC

ImageandVisionComputing

ELSEVIER

http://www.sciencedirect.com/science/journal/

17.

MachineVisionandApplications

Springer

http://www.springeronline.com/sgw/cda/

18.

MedicalImageAnalysis

Elsevier

http://www.elsevier.com/wps/product/cws_home/

19.

NaturalComputing

Springer

http://www.springeronline.com/sgw/cda/

20.

SoftComputing

Springer

http://www.springeronline.com/sgw/cda/

21.

ESWA

ExpertSystemswithApplications

ELSEVIER

http://www.elsevier.com/wps/product/cws_home/

22.

EAAI

EngineeringApplicationsofArtificialIntelligence

ELSEVIER

http://www.elsevier.com/wps/find/journaleditorialboard.cws_home/975/editorialboard

23.

ExpertSystems

Blackwell

http://www.blackwellpublishing.com/

24.

IJPRAI

InternationalJournalofPatternRecognition&ArtificialIntelligence

WorldScientific

http://ejournals.wspc.com.sg/ijprai/ijprai.shtml

25.

IJIS

InternationalJournalofIntelligentSystems

WileyInterScience

http://www3.interscience.wiley.com/journal/36062/home?CRETRY=1&SRETRY=0

26.

IJNS

InternationalJournalofNeuralSystems

WorldScientific

http://ejournals.wspc.com.sg/journals/ijns/

27.

AAI

AppliedArtificialIntelligence

Taylor&Francis

http://www.tandf.co.uk/journals/tf/08839514.html

28.

CyberneticsandSystems

Taylor&Francis

http://www.tandf.co.uk/journals/tf/01969722.html

29.

SpeechCommunications

ELSEVIER

http://www.elsevier.com/locate/specom

30.

ComputerSpeechandLanguage

ELSEVIER

http://www.elsevier.com/locate/csl

31.

WIAS

WebIntelligenceandAgentSystems

IOS

http://www.iospress.nl/site/html/15701263.html

32.

FuzzySetsandSystems

ELSEVIER

http://www.elsevier.com/wps/product/cws_home/

33.

IEEProceedings:Vision,ImageandSignal

IEEE

http://ieeexplore.ieee.org/xpl/

34.

IJCIA

InternationalJournalofComputationalIntelligenceandApplications

WorldScientific

http://ejournals.wspc.com.sg/ijcia/ijcia.shtml

35.

JETAI

JournalofExperimentalandTheoreticalArtificialIntelligence

Taylor&Francis

http://www.tandf.co.uk/journals/tf/0952813X.html

36.

InternationalJournalofUncertainty,FuzzinessandKBS

WorldScientific

http://www.worldscinet.com/ijufks/ijufks.shtml

37.

IJAES

InternationalJournalofAppliedExpertSystems

TaylorGranham

http://www.abdn.ac.uk/~acc025/ijaes.html

38.

ArtificialLife

MITPress

http://mitpress.mit.edu/journal-home.tcl?issn=10645462

39.

AAMAS

AutonomousAgentsandMulti-AgentSystems

Springer

http://www.springerlink.com/content/102852/

==========================================================

国内八大学报：

1.计算机学报中国计算机学会等

2.软件学报中国科学院软件研究所

3.计算机科学与技术学报（JCST）

4.计算机研究与发展中国科学院计算技术研究所等

5.自动化学报中国科学院等

6.电子学报

7.通信学报

8.中国科学