国际学习表征会议（ICLR）

是什么

国际学习表征会议（International Conference on Learning Representations，简称 ICLR）是一个机器学习会议，通常在每年4月下旬或5月初举行^[1]。它与 NeurIPS、ICML 并列，被视为机器学习和人工智能研究中影响力与声誉最高的三个主要会议之一^[1]。

和其他同类会议一样，它是研究者展示新工作、争论方法、并与论文作者当面交流的场合。ICLR 的特点有两处：一是它关心的问题——数据如何被转化为有用的内部表征；二是它决定录用哪些论文的方式。

由来

ICLR 由 Yann LeCun 和 Yoshua Bengio 于2012年创办^[1]。第一届于2013年5月2日至4日举行，为期3天，与 AISTATS2013 在亚利桑那州斯科茨代尔（Scottsdale）同地举办^[2]。

第一届会议明确提出的目标，是填补表征学习（representation learning）研究者缺少一个共同发表场所的空白^[2]。表征学习是机器学习的一个分支，关心的是让模型自己学出特征，而不是由人预先设定该看数据的哪些测量值：模型在训练中自己找到有用的内部描述。2013年，这类工作分散在主题各异的会议上，ICLR 的建立就是为了给它一个归处。

会议范围

会议涵盖的范围包括深度学习与特征学习、度量学习（metric learning）、核学习（kernel learning）、组合模型（compositional models）、非线性结构化预测以及非凸优化^[2]。这些方向彼此关联：度量学习是学出一种适合任务的距离概念；核学习是学出模型用来衡量相似性的函数；组合模型用较简单的部件搭建复杂表征；非线性结构化预测处理的是序列、图这类本身带有内部结构的输出；非凸优化则是训练这类模型所需的数学工具——训练目标并不是教科书里那种形状规整、只有一个最低点的函数。

公开评审

自2013年创办以来，ICLR 一直采用公开的同行评审（open peer review）流程来审阅投稿，其模式由 Yann LeCun 提出^[1]。在传统的同行评审中，审稿人对作者匿名，评审意见也不公开；在公开流程里，论文的评审意见和围绕论文的讨论可以被更多人看到，读者看到的不只是录用与否的结论，还有得出这个结论的理由。第一届会议就采用了新的出版流程，论文的录用决定发布在 OpenReview 网站上^[2]。

会议形式

会议内容包括受邀报告，以及经过评审论文的口头报告与海报展示^[1]。口头报告在主会场进行，海报展示则在专门环节里展开，参会者在展板之间走动，直接与作者交谈——实际上，大部分实质性的交流发生在这里。

第一届会议还安排了一件事：口头报告论文的期刊版本被提交到 JMLR 的一个专题^[2]，让最强的那部分录用工作有一条通往期刊的路径。

在领域中的位置

ICLR 的地位建立在两点上。其一是它的主题：表征学习与深度学习后来成为机器学习的核心议题，一个专门面向这些议题的会议，也就处在很多工作发生的地方附近。其二是它的评审模式：由于评审意见和决定是公开的，这个会议同时也成了一份关于某项研究当年如何被看待的公开记录，这对很久之后才读到某篇论文的读者尤其有用。它与 NeurIPS、ICML 一起，构成了界定这一领域发表节奏的三个主要会议^[1]。