近日，机器学习顶会 ICML 2020 已正式放榜。一位名叫 Sergei Ivanov 的 Medium 博主对本次大会的论文接收数据进行了详细整理，为我们揭示了顶会背后的更多规律。
选自Medium，作者：Sergei Ivanov，机器之心编译，参与：小舟、蛋酱。
6 月 3 日，国际机器学习顶会 ICML 2020 放出了论文接收结果。
据官方统计，ICML 2020 共提交 4990 篇论文，最后接收论文 1088 篇，接收率达 21.8%。与往年相比，接收率逐年走低。
ICML 是机器学习领域最重要的会议之一，因此在该会议上发表论文的研究者也会备受关注。受到疫情影响，今年的 ICML 大会已经改为在 2020 年 7 月 13 日至 18 日线上举行。
一位名叫 Sergei Ivanov 的 Medium 博主详细梳理了了 ICML 2020 的论文接收情况，并分析了今年参加会议的作者、机构和国家或地区等相关数据。作者也在 GitHub 上公布了相关代码，项目地址：https://github.com/nd7141/icml2020
论文作者
首先来关注下排名靠前的论文作者。
在 ICML 上发表论文是很困难的，因此能够一次性发表多篇论文的作者会让人印象深刻。来自日本理化学研究所（RIKEN）和东京大学的 Masashi Sugiyama 有 11 篇论文被接收，成为大会中被接收论文数量最多的作者。
在他之后是 Michal Valko（DeepMind）、Michael Jordan（UC Berkeley）以及 Dale Schuurmans（Google / U. of Alberta），三人均有 8 篇文章被接收。
接下来我们看下全球机构组织的排行榜，对于每个机构，本文作者都统计了其参与的论文集，在此给出了 top-30 的机构组织。
谷歌以 114 篇的论文接收数量占据榜首，这大约占据了在 ICML 上发表论文的 1/10。接下来的 3 个机构是 MIT、Stanford 和 Berkeley。同属 Alphabet 的 DeepMind 占据了 Top-5 的位置。
请注意：由于许多论文是合作完成的，因此说 Google+DeepMind 发表了 114+51 篇论文是不够准确的，稍后会提到这一点。
国家和地区
这一部分展示的是论文作者与其所在国家或地区之间的关联，以便查看哪个国家或地区发表论文数量最多。
作为免责声明，作者也提到了，这种关联数据的统计可能会有偏差，主要是因为无法辨认的人名缩写、不同人对同一机构的不同叫法、错别字等问题。作者尽最大的努力做了统计，如果你发现有所缺失，可以在 GitHub 链接里找到可编辑文件。
让我们来看看按国家或地区进行详细分类的统计结果：
毫不意外，美国承包了绝大多数论文。美国研究者参与的论文有 728 篇，大约是论文总数的 3/4，与其他国家和地区相比具有巨大的优势。
排在第二位的是英国（123 篇），第三位是中国大陆（122 篇），二者在接收论文数量上相差无几，但同样仅为美国的六分之一左右。
需要注意的是，国家或地区是根据组织机构的总部所在地而定，而非论文作者所在位置。因此，如果一位论文作者在 Google 苏黎世工作，那么该论文被计入美国，而不是瑞士。
尽管如此，统计数量和实际情况也相差不多。如果仅按照大学分类（全球只有一个从属国家和地区的组织），那么将得到下图：
也就是说，即使不考虑企业机构的因素，美国研究者仍然参与了 ICML 发表论文的一半以上。如果加上所有在美国工作的工业界研究者，数量可能和之前的图很接近。
值得一提的是，英国和中国大陆大约发表了相同数量的文章。DeepMind 发表的文章大约占英国文章总数的 40%。
让我们分别来看下排名靠前的几个国家和地区的情况：
美国在工业和学术领域都有多个机构组织，并且有大量的论文。而英国发表情况基本由 DeepMind 主导，其次是一些大学。
中国内地大学的地位比较强大，但是像华为、阿里巴巴和百度这样的公司正在赶超它们。在加拿大，几乎所有的论文都是大学发表的。
似乎除了美国和中国大陆，大多数国家和地区发表论文的顶级机构都是大学。从全球范围看，大学发表的论文数量是公司的 3 倍。
在美国以外，只有来自英国（DeepMind）、法国（Criteo）、中国大陆（华为、百度、阿里巴巴）、俄罗斯（Yandex）以及韩国（Samsung）的某些机构发表了 5 篇以上的论文。
协作
本文还研究了不同组织之间的协作方式。本文对不同组织之间的协作构建了一张图，图中共有 426 个节点和 1206 条边。如果绘制这张图，将会看到一堆由边连接的点。
点代表组织机构，中间的连接代表协作。每个节点的大小和颜色取决于所发表的论文数量。边的宽度取决于协作的数量。
如果仅取一个有至少 30 个协作的节点的子图，那么将得到一张更具吸引力的图。
有至少 30 个协作的组织的协作网络子图。节点的大小和颜色取决于发表论文的数量，边的宽度取决于协作的数量。
也可以查看单个公司的情况，例如，查看谷歌和 MIT：
有趣的是，你会发现谷歌与其它公司的协作并不像其与大学之间的协作那么多。而 MIT 有许多工业领域的协作伙伴。
最后，来看一下每篇论文的作者和组织的总数。
大多数论文有 3-4 个作者，但是也有一些例外情况，比如 15 个作者。
有 15 个作者的两篇论文分别是：由来自谷歌、牛津大学、剑桥大学、哥伦比亚大学和伯克利大学 15 位研究者发表的论文《Stochastic Flows and Geometric Optimization on the Orthogonal Group》和来自天津大学、阿里巴巴、清华大学以及上海交大的 15 位研究者发表的论文《Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising》。
参与每篇论文的组织数统计如下：
大多数论文有 1 或 2 个组织，但有些论文的撰写有 7 个组织的参与。
两篇有 7 个组织参与的论文分别是：由谷歌、微软、华沙大学、阿姆斯特丹大学、加州大学欧文分校、苏黎世联邦理工学院以及伦敦帝国理工学院的研究者协作完成的《How Good is the Bayes Posterior in Deep Neural Networks Really?》和由蒙特利尔大学、IIIT Hyderabad、麻省理工学院、Mila、特拉华大学以及 LinkedIn 等机构的研究者协作完成的《Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning》。
来源：oschina
链接：https://my.oschina.net/u/4408222/blog/4316307