什么是随机图论？
在研究复杂网络中，研究者使用的主要工具就是随机图理论。该理论创始于上个世纪40年代。由Erdos等人创立。最早提出的经典随机图模型就是ER模型。在随机图中，边的出现成为概率事件。随机图和经典图之间最大的区别在于引入了随机的方法，使得图的空间变得更大，其数学性质也发生了巨大的变化，在随机图的经典数学模型中，随机图上的结点度数分布服从泊松分布。
经过长达60多年的研究，最近由圣塔非的M.E.J Newman等人将随机图中的度数分布扩展到任意度数分布，我们称之为"广义随机图"，这使得对复杂网络的研究有了进一步的深入。虽然我觉得广义随机图理论在解决power-law问题上仍然存在这一定的缺陷。但是至少它在仿真上已经被证实了。
随机图论研究
随机图近十年已成为离散数学的主流之一。目前，2002年排名美国第一大学的普林斯顿大学助理教授、博士导师、图论专家Sudakov正做得不错（1999年才获博士学位，但已是权威的SCI杂志《SIAM Discrete Math》编委和《图论》编委) 。
此领域前辈级的有剑桥大学、微软研究院以大师Lovász(他是世界数学联合会1987-1994年两届包括主席共八个执行委员之一，他的博士学位论文搞Factors图，相交的Factors就是哈密尔顿图)为首的八、九个研究人员。还有一些在这里做博士后的在搞此领域和耶鲁大学、加拿大滑铁卢大学、以色列的特拉维夫大学以及卡内基-梅隆大学（Alan Frieze，他在随机图的哈密尔顿性方面贡献极大）、加利福尼亚大学SD（原美国数学会主席Graham和夫人Chung）、伦敦大学（Colin Cooper，他在随机图的哈密尔顿性领域的贡献也很值得尊敬）、纽约大学（Joel Spencer）、贝尔实验室（Peter Winkler）、瑞典Uppsala大学（Janson Svante）、波兰Adam Mick.大学（Tomasz Luczak）等，而且这些专家都因此成为此领域世界顶尖大师。
一些以随机图为主兼有其它学科还有牛津大学(Colin McDiarmid，也做很密切的Probab.)、加利福尼亚大学-伯克莱(Aldous和Peres，也做密切相关的Probab.)及加利福尼亚州立大学的一些城市的分校、伊利诺斯大学、俄亥俄州立大学、澳大利亚国立大学（Mckay，算最先搞的之一）、匈牙利数学院等。
国内做得最好的有国家重点学科带头人博士导师孟吉翔院长及在Bollobás现任职的大学获得博士学位得其真传的李雨生博士，随机图是有做为的，已有编辑部设于波兰和美国孟菲斯的两个期刊主要发表此学科的论文。
虽随机图历史已较长，现各种限制随机图的哈密尔顿图性问题等也还有很多空白，总体还只处于萌芽阶段。若用PDF可从Sudakov网页的On-line available papers的论文中获得足够的随机图知识。我们这里在致力于一般图及互连网络图的哈密尔顿性和容错哈密尔顿性问题的同时，也正涉及此领域一些哈密尔顿性的工作。
贝洛博洛巴斯教授（ Bela Bollobas ），英国剑桥大学三一学院（Trinity College Cambridge）的数学研究主任，美国孟菲斯大学特聘教授，国际知名组合学和图论专家，国际数学家大会45分钟报告人，匈牙利国家科学院院士。由他所著的《Modern Graph Theory》、《Extremal Graph Theory》及《Random Graph》均为经典图论著作。他参加了首 三届（ 1959 年到 1961 年 ）的国际数学奥林匹克 ，取得2 金 1 铜 ， 是当时唯一取得金牌的学生。Bela Bollobas也是数学大师Paul Erdos最得意的学生之一，他的研究领域广泛涉及有限几何、数论、组合论及图论等，是当今世界最有影响的
数学家之一。
随机图学习资源
1. http://www.math.cmu.edu/~af1p/MAA2005/MAA.html
Random Graphs（这是由Frieze组织的包括卡耐基－梅隆大学、普林斯顿、微软、滑铁卢、多伦多及波兰专家主讲的随机图讲座。这八个专家都是现居随机图前沿的。这八讲虽独立，但基本上循序渐进。国外有许多随机图教材，但我国专家在国内发表的随机图论文不超过3篇，在国外也不超过11篇，我国图论界现也只有张福基、孟吉翔和李雨生教授等各搞一点。就因搞的人少，现还没有一本随机图中文教材，也没有人愿意把英文版翻译过来。特此把Frieze组织的这个最新系列讲座列在这里，期望我国能更大地发展此领域。因随机图的重要性参看与下面的复杂网络的关系）。
随机图应用
近年来人们发现真实世界的复杂网络有所不同于经典随机图，即复杂网络可以从数学上被描述为有大量结点的动态的发展的随机图。不同领域的复杂网络主要有如下：
1) 信息网络：WWW，Internet，计算机共享，Email网，专利使用网
2) 技术网络：电力网，电话线路网，无线通讯网
3) 交通运输网：航线网，铁路网，公路网，自然河流网
4) 社会网：企事业关系网，金融关系网，论文引用，人际关系网，科研合作网
5) 生物网：食物链网，生物神经网，新陈代谢网，蛋白质网，基因网络，细胞网
Thursday, July 9, 2009
Wednesday, January 7, 2009
Information Theory (信息论主题)
Study Note:
Theorem 2.7.4 (P31) The mutual information I(X;Y) is a convex function of p(y|x) for fixed p(x).
Hint: the key here is to consider I(X;Y) as function of p(x) and p(y|x) on one hand, and to use the relationship I(X;Y)=D(p(x,y)||p(x)p(y)) on the other hand.
To prove the convexity of I(X;Y)=I(p(x),p(y|x)) about p(y|x) is to demonstrate
I(p(x),up1(y|x)+(1-u)p2(y|x))<=uI(p(x),p1(y|x))+(1-u)I(p(x),p2(y|x)).
it is true because
I(p(x),up1(y|x)+(1-u)p2(y|x))
=D(u*p1(x,y)+(1-u)*p2(y|x)||p(x)(u*p1(y)+(1-u)*p2(y)))
<=uD(p1(x,y)||p(x)p1(y))+(1-u)D(p2(x,y)||p(x)p2(y))
=u*I(p(x),p1(y|x))+(1-u)I(p(x),p2(y|x))
[note that the expression of D(p||q) according to I(X;Y) is decided by the corresponding combine distribution of p(x,y) and marginals p(x) and p(y), so here basiclly is the change of form. Also note hat p1(x)=p2(x)=p(x)]
Theorem 2.7.4 (P31) The mutual information I(X;Y) is a convex function of p(y|x) for fixed p(x).
Hint: the key here is to consider I(X;Y) as function of p(x) and p(y|x) on one hand, and to use the relationship I(X;Y)=D(p(x,y)||p(x)p(y)) on the other hand.
To prove the convexity of I(X;Y)=I(p(x),p(y|x)) about p(y|x) is to demonstrate
I(p(x),up1(y|x)+(1-u)p2(y|x))<=uI(p(x),p1(y|x))+(1-u)I(p(x),p2(y|x)).
it is true because
I(p(x),up1(y|x)+(1-u)p2(y|x))
=D(u*p1(x,y)+(1-u)*p2(y|x)||p(x)(u*p1(y)+(1-u)*p2(y)))
<=uD(p1(x,y)||p(x)p1(y))+(1-u)D(p2(x,y)||p(x)p2(y))
=u*I(p(x),p1(y|x))+(1-u)I(p(x),p2(y|x))
[note that the expression of D(p||q) according to I(X;Y) is decided by the corresponding combine distribution of p(x,y) and marginals p(x) and p(y), so here basiclly is the change of form. Also note hat p1(x)=p2(x)=p(x)]
Friday, January 2, 2009
Matlab主题
1. Useful Links
Mathworks - 公司主页
http://www.mathworks.com/access/helpdesk/help/techdoc/matlab.shtml
MATLAB Central - an open exchange for Matlab and Simulink community
其中fileexchange目录下有世界各地的MATLAB编程爱好者提供的各种MATLAB函数，有很强的使用价值http://www.mathworks.com/matlabcentral/index.html
MAThTools站点 有很多好的工具箱或者小的辅助函数：http://www.mathtools.net/MATLAB/index.html
国内中文站点
1，我爱matlab：http://www.ilovematlab.cn/
2,MATLAB大观园：http://matlab.myrice.com/
3,MATLAB中国论坛|实验室爱好者之家 针对学生，科研工作者 http://www.labfans.com/
2.Study Note
Mathworks - 公司主页
http://www.mathworks.com/access/helpdesk/help/techdoc/matlab.shtml
MATLAB Central - an open exchange for Matlab and Simulink community
其中fileexchange目录下有世界各地的MATLAB编程爱好者提供的各种MATLAB函数，有很强的使用价值http://www.mathworks.com/matlabcentral/index.html
MAThTools站点 有很多好的工具箱或者小的辅助函数：http://www.mathtools.net/MATLAB/index.html
国内中文站点
1，我爱matlab：http://www.ilovematlab.cn/
2,MATLAB大观园：http://matlab.myrice.com/
3,MATLAB中国论坛|实验室爱好者之家 针对学生，科研工作者 http://www.labfans.com/
2.Study Note
数学网络资源
1.General
mainly Advanced Algebra, Topology and Math Physics
http://www.sclsoft.com/Library/豆丁图书馆.aspx
2.Analysis
The first 4 chapters of Terence Tao's(陶轩哲) analysis book
http://www.math.unm.edu/~crisp/courses/math401/tao.pdf
3.Algebra
Element of Abstrct and Linear Algebra
http://www.math.miami.edu/~ec/book/book.pdf
Abstract Algebra (first Grad year) and some other Algebra materials
http://www.math.uiuc.edu/~r-ash/
4.Probability, Statistics & Stochastic Processes
mainly Advanced Algebra, Topology and Math Physics
http://www.sclsoft.com/Library/豆丁图书馆.aspx
2.Analysis
The first 4 chapters of Terence Tao's(陶轩哲) analysis book
http://www.math.unm.edu/~crisp/courses/math401/tao.pdf
3.Algebra
Element of Abstrct and Linear Algebra
http://www.math.miami.edu/~ec/book/book.pdf
Abstract Algebra (first Grad year) and some other Algebra materials
http://www.math.uiuc.edu/~r-ash/
4.Probability, Statistics & Stochastic Processes
C语言专题
1.Links
1.1 O'Reilly Source Center
http://www.oreilly.com.cn/indexcat.php?c=cprog
1.2 A comprehensive website, very usefull
http://www.72up.com/c.htm
1.1 O'Reilly Source Center
http://www.oreilly.com.cn/indexcat.php?c=cprog
1.2 A comprehensive website, very usefull
http://www.72up.com/c.htm
数学专业参考书整理推荐（摘自博士论坛）
数学分析：
1《微积分学教程》菲赫金格尔茨著
数学分析第一名著
2《数学分析》陈传璋，金福临，朱学炎，欧阳光中著（新版作者顺序颠倒）
是数学系用的时间最长，用的最多的书，大部分学校考研分析的指定教材
3《数学分析》华东师范大学数学系著
师范类使用最多的书，课后习题编排的不错，也是考研用的比较多的一本书。课本最后讲了一些流形上的微积分。虽然是师范类的书，难度比上一本有一些降低
4《数学分析八讲》辛钦
大师就是大师，强烈推荐。
5《数学分析原理》rudin
中国的数学是从前苏联学来的，和俄罗斯教材比较像，看俄罗斯的书不会很吃力。不过这本美国的书还是值得一看的。写的简单明了，可以自己试着把上面的定理推导一遍。
6《流形上的微积分》斯皮瓦克
分析的进一步。中国的数学分析一般不讲流形上的微积分，不过流形上的微积分是一种潮流，还是看一看的好。
数学分析习题集
不做题就如同没有学过一样。希望将课本后的习题一道道自己做完，不要看答案。买习题集也要买习题集，不买习题集的答案。
1《吉米多维奇数学分析习题集》
2《数学分析习题课教材》第一版或《数学分析解题指南》第二版，林源渠，方企勤等
两本书一样的，再版换了名字。第一版网上有电子版，第二版可以买纸版。和3成一套。
3《数学分析习题集》林源渠，方企勤等
由于《吉米多维奇数学分析习题集》答案的出现使这本书得到的评价变高了，原因是这本书没有答案。只能自己做。
解析几何
解析几何有被代数吃掉的趋势，不过就数学系的学生而言，还是应该好好学一下，我大一没有好好学，后来学别的课时总感觉哪里有些不太对劲，后来才发现是自己的数学功底尤其是几何得功底没有打好。
1吴光磊《解析几何简明教程》高等教育出版社
写的简单明了，打基础的时候还是从下面三本选一本看，把这本当参考书。
2《解析几何》丘维声，北京大学出版社
3《解析几何》吕根林，许子道
4《解析几何》尤承业
2，3，4写的大同小异
习题集有巴赫瓦洛夫的《解析几何习题集》不过不是那么容易找的到了
代数
1《高等代数》北京大学数学系代数与几何教研室代数小组
目前国内各大学尤其是综合大学数学系广泛采用的代数教材，有着悠久的传统。目前通常使用的是第三版。也是各大学的考研指定用书。讲到了所有应该讲的内容。
2《高等代数》张禾瑞，郝鈵新
被各个师范大学的数学系广泛使用，和1同分天下。张禾瑞已经去世，但书已经出到第五版。
3《代数学引论》柯斯特利金
一本和菲赫金戈尔茨的《微积分学教程》齐名的伟大数学著作。一本传世经典，没有什么可多说的。最近刚刚有新译本出版，共分了三册，但都不是很厚，也不贵。
代数习题集
《线性代数习题集》普罗斯库列柯夫
《高等代数习题集》法捷耶夫，索明斯基
是前苏联的经典代数习题集分别有两千道和一千道题，做完会打下非常好的基本功。
《高等代数习题集》杨子胥著
相对很容易买到，很多人用来做考研的参考书，而且符合所谓的教学或考研大纲。
近世代数
不光是数学系最重要的几门课，而且在计算机方面有很多应用，通常的离散数学第二部分就是近世代数内容，也叫抽象代数。
1《近世代数引论》冯克勤
2《近世代数》熊全淹
3《代数学》莫宗坚
4《代数学引论》聂灵沼
5《近世代数》盛德成
6 J B Fraleigh
7<抽象代数基础>Rotman + <代数>Artin
分析的后继课程有常微分方程,偏微分方程，实变函数，复变函数，泛函分析：
常微分方程
1《常微分方程教程》丁同仁、李承治，高等教育出版社
公认的国内写的最好的教材。
2《常微分方程》王高雄等
使用相当广泛的教材。初学建议从1，2中选
3《常微分方程》V.I.Arnold常微分不可不读的书。
4《常微分方程习题集》菲利波夫
很简单，打通这本书。不是题目简单，是对你的要求简单。
复变函数
1《简明复分析》龚昇写的非常有特色的一本书。
2《Complex Analysis 》L.V.Ahlfors学数学还是提倡多看大师的著作
3《复变函数》余家荣
4《复变函数》钟玉泉
3,4两本是国内数学系用的最多的书，不过通常会剩下一到两章讲不完。
实变函数
1《实变函数》江泽坚，吴志泉
2《实变函数与泛函分析》夏道行，伍卓人，严绍宗，舒五昌
上世纪八十年代中国大学数学系的标准课本，2009年3月会出新版。强烈推荐这本和上一本。虽然厚，但是相当详细。
3《实变函数论的定理与习题》鄂强
4《实变函数论习题集》捷利亚科夫斯基
泛函分析
1《实变函数与泛函分析》夏道行
上面说过，再推荐一次，虽然有点厚。
2《实变函数与泛函分析概要》郑维行
3《泛函分析习题集》安托涅维奇
4《函数论与泛函分析初步》柯尔莫哥洛夫
好好看完会有收获。大师的经典名著，包括了实变函数，泛函分析，变分等各方面的内容
5《泛函分析理论习题解答》克里洛夫
概率论
......
数理统计
......
随机过程
......
离散数学
1《基础集合论》北师大
2《面向计算机科学的数理逻辑》陆钟万
3《图论及其算法》王树禾
4《图论及其应用》Bondy ，Murty
5《离散数学》耿素云，屈婉玲
6《具体数学》格拉厄姆，高德纳等
参加ACM竞赛的人经常提起这本书，是玩编程的案头常备的参考书
算法
1 Corman
数值分析:计算数学方向传统的科目是数值逼近，数值代数，数值优化，微分方程数值解法。数值逼近，数值代数，微分方程数值解法合称数值分析，数值优化和运筹学有点像。
......
信息论
1《信息论基础》叶中行
专门为数学系写的信息论
2《信息论，编码与密码学》Ranjan Bose
数学软件
1 matlab
2 mathematic
3 maple
4 专门软件
会用一些软件，在今后的学习中会感到很方便。不用看书，自己看软件的帮助就可以。
C
...
C++
1《Thinking in c++》Eckel
Java
1《Java2核心技术》（《Core Java 2》）Cay S.Horstmann,Gary Cornell
本书是java技术经典参考书
2《Thinking in java》Bruce Eckel
从本书获得的各项大奖以及来自世界各地的读者评论中，不难看出这是一本经典之作。是一本提高java编程道德绝世好书，学习java必买的书
3《java程序设计教程》Deitel
学这本书让你少走很多弯路，看完之后你就能成为一个专业的java程序员。
4《java解惑》Joshua Bloch,Neal, Gafter
教你如何避免底层的陷阱与缺陷
5《The Java Programming Language》Ken Arnold，James Gosling，David HolmesJava
程序设计的权威指南
1《微积分学教程》菲赫金格尔茨著
数学分析第一名著
2《数学分析》陈传璋，金福临，朱学炎，欧阳光中著（新版作者顺序颠倒）
是数学系用的时间最长，用的最多的书，大部分学校考研分析的指定教材
3《数学分析》华东师范大学数学系著
师范类使用最多的书，课后习题编排的不错，也是考研用的比较多的一本书。课本最后讲了一些流形上的微积分。虽然是师范类的书，难度比上一本有一些降低
4《数学分析八讲》辛钦
大师就是大师，强烈推荐。
5《数学分析原理》rudin
中国的数学是从前苏联学来的，和俄罗斯教材比较像，看俄罗斯的书不会很吃力。不过这本美国的书还是值得一看的。写的简单明了，可以自己试着把上面的定理推导一遍。
6《流形上的微积分》斯皮瓦克
分析的进一步。中国的数学分析一般不讲流形上的微积分，不过流形上的微积分是一种潮流，还是看一看的好。
数学分析习题集
不做题就如同没有学过一样。希望将课本后的习题一道道自己做完，不要看答案。买习题集也要买习题集，不买习题集的答案。
1《吉米多维奇数学分析习题集》
2《数学分析习题课教材》第一版或《数学分析解题指南》第二版，林源渠，方企勤等
两本书一样的，再版换了名字。第一版网上有电子版，第二版可以买纸版。和3成一套。
3《数学分析习题集》林源渠，方企勤等
由于《吉米多维奇数学分析习题集》答案的出现使这本书得到的评价变高了，原因是这本书没有答案。只能自己做。
解析几何
解析几何有被代数吃掉的趋势，不过就数学系的学生而言，还是应该好好学一下，我大一没有好好学，后来学别的课时总感觉哪里有些不太对劲，后来才发现是自己的数学功底尤其是几何得功底没有打好。
1吴光磊《解析几何简明教程》高等教育出版社
写的简单明了，打基础的时候还是从下面三本选一本看，把这本当参考书。
2《解析几何》丘维声，北京大学出版社
3《解析几何》吕根林，许子道
4《解析几何》尤承业
2，3，4写的大同小异
习题集有巴赫瓦洛夫的《解析几何习题集》不过不是那么容易找的到了
代数
1《高等代数》北京大学数学系代数与几何教研室代数小组
目前国内各大学尤其是综合大学数学系广泛采用的代数教材，有着悠久的传统。目前通常使用的是第三版。也是各大学的考研指定用书。讲到了所有应该讲的内容。
2《高等代数》张禾瑞，郝鈵新
被各个师范大学的数学系广泛使用，和1同分天下。张禾瑞已经去世，但书已经出到第五版。
3《代数学引论》柯斯特利金
一本和菲赫金戈尔茨的《微积分学教程》齐名的伟大数学著作。一本传世经典，没有什么可多说的。最近刚刚有新译本出版，共分了三册，但都不是很厚，也不贵。
代数习题集
《线性代数习题集》普罗斯库列柯夫
《高等代数习题集》法捷耶夫，索明斯基
是前苏联的经典代数习题集分别有两千道和一千道题，做完会打下非常好的基本功。
《高等代数习题集》杨子胥著
相对很容易买到，很多人用来做考研的参考书，而且符合所谓的教学或考研大纲。
近世代数
不光是数学系最重要的几门课，而且在计算机方面有很多应用，通常的离散数学第二部分就是近世代数内容，也叫抽象代数。
1《近世代数引论》冯克勤
2《近世代数》熊全淹
3《代数学》莫宗坚
4《代数学引论》聂灵沼
5《近世代数》盛德成
6 J B Fraleigh
7<抽象代数基础>Rotman + <代数>Artin
分析的后继课程有常微分方程,偏微分方程，实变函数，复变函数，泛函分析：
常微分方程
1《常微分方程教程》丁同仁、李承治，高等教育出版社
公认的国内写的最好的教材。
2《常微分方程》王高雄等
使用相当广泛的教材。初学建议从1，2中选
3《常微分方程》V.I.Arnold常微分不可不读的书。
4《常微分方程习题集》菲利波夫
很简单，打通这本书。不是题目简单，是对你的要求简单。
复变函数
1《简明复分析》龚昇写的非常有特色的一本书。
2《Complex Analysis 》L.V.Ahlfors学数学还是提倡多看大师的著作
3《复变函数》余家荣
4《复变函数》钟玉泉
3,4两本是国内数学系用的最多的书，不过通常会剩下一到两章讲不完。
实变函数
1《实变函数》江泽坚，吴志泉
2《实变函数与泛函分析》夏道行，伍卓人，严绍宗，舒五昌
上世纪八十年代中国大学数学系的标准课本，2009年3月会出新版。强烈推荐这本和上一本。虽然厚，但是相当详细。
3《实变函数论的定理与习题》鄂强
4《实变函数论习题集》捷利亚科夫斯基
泛函分析
1《实变函数与泛函分析》夏道行
上面说过，再推荐一次，虽然有点厚。
2《实变函数与泛函分析概要》郑维行
3《泛函分析习题集》安托涅维奇
4《函数论与泛函分析初步》柯尔莫哥洛夫
好好看完会有收获。大师的经典名著，包括了实变函数，泛函分析，变分等各方面的内容
5《泛函分析理论习题解答》克里洛夫
概率论
......
数理统计
......
随机过程
......
离散数学
1《基础集合论》北师大
2《面向计算机科学的数理逻辑》陆钟万
3《图论及其算法》王树禾
4《图论及其应用》Bondy ，Murty
5《离散数学》耿素云，屈婉玲
6《具体数学》格拉厄姆，高德纳等
参加ACM竞赛的人经常提起这本书，是玩编程的案头常备的参考书
算法
1
数值分析:计算数学方向传统的科目是数值逼近，数值代数，数值优化，微分方程数值解法。数值逼近，数值代数，微分方程数值解法合称数值分析，数值优化和运筹学有点像。
......
信息论
1《信息论基础》叶中行
专门为数学系写的信息论
2《信息论，编码与密码学》Ranjan Bose
数学软件
1 matlab
2 mathematic
3 maple
4 专门软件
会用一些软件，在今后的学习中会感到很方便。不用看书，自己看软件的帮助就可以。
C
...
C++
1《Thinking in c++》Eckel
Java
1《Java2核心技术》（《Core Java 2》）Cay S.Horstmann,Gary Cornell
本书是java技术经典参考书
2《Thinking in java》Bruce Eckel
从本书获得的各项大奖以及来自世界各地的读者评论中，不难看出这是一本经典之作。是一本提高java编程道德绝世好书，学习java必买的书
3《java程序设计教程》Deitel
学这本书让你少走很多弯路，看完之后你就能成为一个专业的java程序员。
4《java解惑》Joshua Bloch,Neal, Gafter
教你如何避免底层的陷阱与缺陷
5《The Java Programming Language》Ken Arnold，James Gosling，David HolmesJava
程序设计的权威指南
人工智能机器学习数据挖掘著名会议（转）08年
作者好像是南大周志华老师
我知道的几个人工智能会议(一流) 下面同分的按字母序排列:
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，象machine learning、computer vision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"IJCAI Inc."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IJCAI Research Excellence Award 和 Computer& Thoughts Award, 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 PC member 相当于其他会议的area chair, 权力很大, 因为是由PC member 去找 reviewer 来审, 而不象一般会议的PC member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PC member, primary PC member去找3位reviewer, second PC member 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 PC chair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. ICCV逢奇数年开，开会地点以往是北美，欧洲和亚洲轮流，本来2003年定在北京，后来因Sars和原定05年的法国换了一下。ICCV'07年将首次在南美(巴西)举行. CVPR原则上每年在北美开, 如果那年正好ICCV在北美,则该年没有CVPR.
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. 会议的名字是"Advances in Neural Inxxxxation Processing Systems", 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.
ACL (1-): 计算语言学/自然语言处理方面最好的会议, ACL (Association of Computational Linguistics) 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. KR Inc.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top conference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. 这几年来KDD的质量都很高. SIGKDD从2000年来full paper的录取率都在10%-12%之间，远远低于IJCAI和ICML. 经常听人说，KDD要比IJICAI和ICML都要困难。IJICAI才6页，而KDD要10页。没有扎实系统的工作，很难不留下漏洞。有不少IJICAI的常客也每年都投KDD，可难得几个能经常中。
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(Association of UAI) 主办, 每年开.
我知道的几个人工智能会议(二三流) (原创为lilybbs.us上的daniel) 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 2: tier-2的会议列得不全, 我熟悉的领域比较全一些.
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-Based Reasoning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: 列得很不全. 另外, 因为AI的相关会议非常多, 所以能列在tier-3也算不错了, 基本上能进到所有AI会议中的前30%吧
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 (World Congress on Computational Intelligence). 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.
我知道的几个人工智能会议(一流) 下面同分的按字母序排列:
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，象machine learning、computer vision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"IJCAI Inc."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IJCAI Research Excellence Award 和 Computer& Thoughts Award, 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 PC member 相当于其他会议的area chair, 权力很大, 因为是由PC member 去找 reviewer 来审, 而不象一般会议的PC member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PC member, primary PC member去找3位reviewer, second PC member 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 PC chair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. ICCV逢奇数年开，开会地点以往是北美，欧洲和亚洲轮流，本来2003年定在北京，后来因Sars和原定05年的法国换了一下。ICCV'07年将首次在南美(巴西)举行. CVPR原则上每年在北美开, 如果那年正好ICCV在北美,则该年没有CVPR.
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. 会议的名字是"Advances in Neural Inxxxxation Processing Systems", 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.
ACL (1-): 计算语言学/自然语言处理方面最好的会议, ACL (Association of Computational Linguistics) 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. KR Inc.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top conference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. 这几年来KDD的质量都很高. SIGKDD从2000年来full paper的录取率都在10%-12%之间，远远低于IJCAI和ICML. 经常听人说，KDD要比IJICAI和ICML都要困难。IJICAI才6页，而KDD要10页。没有扎实系统的工作，很难不留下漏洞。有不少IJICAI的常客也每年都投KDD，可难得几个能经常中。
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(Association of UAI) 主办, 每年开.
我知道的几个人工智能会议(二三流) (原创为lilybbs.us上的daniel) 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 2: tier-2的会议列得不全, 我熟悉的领域比较全一些.
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-Based Reasoning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: 列得很不全. 另外, 因为AI的相关会议非常多, 所以能列在tier-3也算不错了, 基本上能进到所有AI会议中的前30%吧
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 (World Congress on Computational Intelligence). 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.
Thursday, January 1, 2009
Linear Transformation
1.定义
变换：线性空间V到自身的映射
线性变换：A(.)称为线性的，if A(a+b)=A(a)+A(b) & A(k*a)=k*A(a)
线性变换保持线性组合和线性关系不变；
线性变化把线性相关的向量组变成线性相关的向量组
反之不一定成立，可能把无关的也映成相关的。
2.线性变换的运算
线性变换的乘积也是线性变换，且满足结合律，但一般不满足交换律；
线性变换的和也是线性变换，且满足结合律和交换；
左右分配律：A(B+C)=AB+AC; (B+C)A=BA+CA
V上的全体线性变换加上加法和数量乘法，构成P上的一个线性空间。
线性变换的多项式f(A)是线性变换，同一线性变换多项式乘法可交换。
3.线性变换的矩阵
Th.1 e1,e2,...,en是线性空间V的一组基，a1,a2,...,an是其中任意n个向量。存在唯一的线性变换A使
A(ei)=ai, i=1,2,...,n
唯一性：线性变换被它在一组基上的作用唯一决定；
存在性：存在线性变换把一组基映射成任意一组向量；
线性变换A与其在一组基下矩阵A的关系：
定义：A(e1,e2,...,en)=(Ae1,Ae2,...,Aen)=(e1,e2,...,en)A
Th2. 线性变换A与其在一组基e1,e2,...,en下对应的n*n矩阵A，
线性变换的和对应矩阵的和；
线性变换乘积对应矩阵的乘积；
线性变换的数乘对应矩阵的数乘；
线性变换的逆对应矩阵的逆（如果存在）
Th3. 向量e的坐标是X，则Ae的坐标是Y=AX
Th4. 变换A在两组基1，2下矩阵分别为A和B，且1到2的过渡矩阵是X，则B=X^(-1)AX
定义： AB相似：存在可逆矩阵X使得B=X^(-1)AX
--------------------summery - 等价关系---------
合同-二次型，等价-向量组，相似-线性变换的矩阵，同构-线性空间
--------------------------------------------------
Th5. 相似矩阵可看作同一线性变换在不同基下的对应
B1=X^(-1)A1X B2=X^(-1)A2X ，then
B1+B2=X^(-1)（A1+A2）X，B1B2=X^(-1)（A1A2）X
此性质和用于矩阵化简。
4.特征值和特征向量
特征向量：Ae=入e, 非零，不唯一
特征值被特征向量唯一决定
如何求特征值和特征向量（略）
特征多项式：全体特征值的和：a11+a22+...+ann；全体特征值的积：A
相似的矩阵有相同的特征多项式
Hamilton-Caylay Theorem: characteristic polynomial f of A satisfies that f(A)=0
5.对角阵
Th7. n*n矩阵A在某组基下是对角型 等价于 A有n个线性无关特征向量
Th8. 属于不同特征值的特征向量线性无关
如果A有n个不同特征值，则A在某组基下是对角形
在复数域，A的特征多项式没有重根，则A在某组基下是对角形
注意：如果特征值都不同，则A一定可以在某组基下是对角形；如果有相同特征值，就要看特征子空间的维数：
Th9. 属于不同特征值的线性无关的特征向量彼此线性无关；
性质：线性变换A在某组基下成对角行的充要条件是A的不同特征值对应的特征子空间的维数之和
等于空间的维数
6.线性变换的值域和核
值域AV：全体象的集合； 核A-1（0）：映射成零向量的集合
值域和核都是V的子空间
值域的维数称为线性变换A的秩，核的维数称为A的零度
Th10.
1.值域是由基向组生成的子空间
2.线性变换和其矩阵的秩相同
Th11. n维空间中线性变换A： A的秩+A的零度=n
推论：对于有限维线性空间的线性变换，单射与满射等价
7.不变子空间
V的子空间W中向量在A下的象仍在W中
全空间和零子空间是A-子空间
A值域和核是A-子空间，与A可交换的B值域和核也是A-子空间
属于特征值入0的特征子空间是A不变子空间。
不变子空间和线性变换矩阵化简的关系：
1.A=【A1,A2；0，A3】，A1是AW在W的基下的矩阵；
2.矩阵分解为准对角阵与空间分解为不变子空间的直和是相当的
8.若当标准型
9.最小多项式
数域P上n阶矩阵A与对角矩阵相似的充分必要条件是A的最小多项式是P上互素的一次因式的乘积
变换：线性空间V到自身的映射
线性变换：A(.)称为线性的，if A(a+b)=A(a)+A(b) & A(k*a)=k*A(a)
线性变换保持线性组合和线性关系不变；
线性变化把线性相关的向量组变成线性相关的向量组
反之不一定成立，可能把无关的也映成相关的。
2.线性变换的运算
线性变换的乘积也是线性变换，且满足结合律，但一般不满足交换律；
线性变换的和也是线性变换，且满足结合律和交换；
左右分配律：A(B+C)=AB+AC; (B+C)A=BA+CA
V上的全体线性变换加上加法和数量乘法，构成P上的一个线性空间。
线性变换的多项式f(A)是线性变换，同一线性变换多项式乘法可交换。
3.线性变换的矩阵
Th.1 e1,e2,...,en是线性空间V的一组基，a1,a2,...,an是其中任意n个向量。存在唯一的线性变换A使
A(ei)=ai, i=1,2,...,n
唯一性：线性变换被它在一组基上的作用唯一决定；
存在性：存在线性变换把一组基映射成任意一组向量；
线性变换A与其在一组基下矩阵A的关系：
定义：A(e1,e2,...,en)=(Ae1,Ae2,...,Aen)=(e1,e2,...,en)A
Th2. 线性变换A与其在一组基e1,e2,...,en下对应的n*n矩阵A，
线性变换的和对应矩阵的和；
线性变换乘积对应矩阵的乘积；
线性变换的数乘对应矩阵的数乘；
线性变换的逆对应矩阵的逆（如果存在）
Th3. 向量e的坐标是X，则Ae的坐标是Y=AX
Th4. 变换A在两组基1，2下矩阵分别为A和B，且1到2的过渡矩阵是X，则B=X^(-1)AX
定义： AB相似：存在可逆矩阵X使得B=X^(-1)AX
--------------------summery - 等价关系---------
合同-二次型，等价-向量组，相似-线性变换的矩阵，同构-线性空间
--------------------------------------------------
Th5. 相似矩阵可看作同一线性变换在不同基下的对应
B1=X^(-1)A1X B2=X^(-1)A2X ，then
B1+B2=X^(-1)（A1+A2）X，B1B2=X^(-1)（A1A2）X
此性质和用于矩阵化简。
4.特征值和特征向量
特征向量：Ae=入e, 非零，不唯一
特征值被特征向量唯一决定
如何求特征值和特征向量（略）
特征多项式：全体特征值的和：a11+a22+...+ann；全体特征值的积：A
相似的矩阵有相同的特征多项式
Hamilton-Caylay Theorem: characteristic polynomial f of A satisfies that f(A)=0
5.对角阵
Th7. n*n矩阵A在某组基下是对角型 等价于 A有n个线性无关特征向量
Th8. 属于不同特征值的特征向量线性无关
如果A有n个不同特征值，则A在某组基下是对角形
在复数域，A的特征多项式没有重根，则A在某组基下是对角形
注意：如果特征值都不同，则A一定可以在某组基下是对角形；如果有相同特征值，就要看特征子空间的维数：
Th9. 属于不同特征值的线性无关的特征向量彼此线性无关；
性质：线性变换A在某组基下成对角行的充要条件是A的不同特征值对应的特征子空间的维数之和
等于空间的维数
6.线性变换的值域和核
值域AV：全体象的集合； 核A-1（0）：映射成零向量的集合
值域和核都是V的子空间
值域的维数称为线性变换A的秩，核的维数称为A的零度
Th10.
1.值域是由基向组生成的子空间
2.线性变换和其矩阵的秩相同
Th11. n维空间中线性变换A： A的秩+A的零度=n
推论：对于有限维线性空间的线性变换，单射与满射等价
7.不变子空间
V的子空间W中向量在A下的象仍在W中
全空间和零子空间是A-子空间
A值域和核是A-子空间，与A可交换的B值域和核也是A-子空间
属于特征值入0的特征子空间是A不变子空间。
不变子空间和线性变换矩阵化简的关系：
1.A=【A1,A2；0，A3】，A1是AW在W的基下的矩阵；
2.矩阵分解为准对角阵与空间分解为不变子空间的直和是相当的
8.若当标准型
9.最小多项式
数域P上n阶矩阵A与对角矩阵相似的充分必要条件是A的最小多项式是P上互素的一次因式的乘积
Subscribe to:
Posts (Atom)