论文被icdm发表

因为要做独立研究，首先要避开所有重器材的方向，比如做深度学习你作为个人是刷不过集团军的--你没有那么多计算资源。大部分教科书都是分章节介绍内容，而章节在一定程度上前后独立。跨领域交叉往往比在特定领域创新要容易，这个思路特别适合独立研究者。还有一点就是新手独立发文，在单盲的情况下更容易被拒稿，增加1-2个共同作者有助于减轻这种偏见，原因非常明显就不赘述了。论文被拒稿是很常见的事情，作为独立新手就更无法避免了。独立研究最大的成就感来自于「独立」，在这个过程中，你会不断的怀疑自己甚至否定自己，这也是为什么我建议大家能有人一起同行。 做好论文导师也不容易究竟是怎么一回事，跟随我一起看看吧。

看这篇就够了！

我特别能理解提问者的感受，因为很多同学都可能有以下几个需求

1、毕业有论文要求，但老板帮助不大

2、虽然毕业无论文要求，但希望通过发表论文来提升自己的职场竞争力

3、希望通过做研究和发表来争取国外的博士机会

在明确了主题后，我们就可以把问题继续分解为三个子问题：

1.如何选题2.如何研究3.如何投稿

1、如何选题

第一点选择适合的研究方向是成功的一半，不要单纯因为兴趣而选定研究方向。因为要做独立研究，首先要避开所有重器材的方向，比如做深度学习你作为个人是刷不过集团军的--你没有那么多计算资源。

第二点就是选择适合自己的方向。大部分基础学科如数学、物理等都需要多年的知识积累以及导师指导，因为导师的轻轻一点就可以省掉了数天甚至数个月的瞎想。

选题的第三点就是要读几篇该领域的经典文章，试试水深。换句话说，就是看看自己能不能大概读懂，知识的空缺有多大，离能够独立成文还有多远。

如果某一领域的文章都有大量的公式推导且你的数学功底有限，那么就不建议选择这类方向。读综述文章一般也是个很好的思路，这样可以快速看到领域的边界，也有助于缩小选题范围。

当然，兴趣依然是一切的源头，也是能不断激励你的后盾。

总结来看，选题是一个平衡过程，是硬件资源+知识背景+个人兴趣的综合后的产物。其中任意一项如果是绝对短板的话，就很容易影响最后的产出。

综合要选择一个自己有兴趣，有一定的相关知识，资源要求不高，且写作水平和领域论文不会相差太远的方向。

2、如何研究

当我们有了一个适当的选题后，应该先读该领域的经典教科书或者综述文章。

我个人的经验是：一边读一边记下自己天马行空的点子，先不用想是否成熟，记下来再说。一边读一边看能不能和其他领域结合，比如用集成学习或是graph mining做推荐系统。

一边读一边缩小自己的选题范围，通过阅读了解自己更擅长在哪个（章节）主题上发力。

大部分教科书都是分章节介绍内容，而章节在一定程度上前后独立。因此你可以着重挑自己读着有趣的内容深入了解。

假设我们现在确定了一个小主题：如何利用「集成学习」来提升「推荐系统」的「鲁棒性」。

那么找到新的方向其实并不难，你需要：找到该领域常用的数据集(benchmark datasets)，找到其他基线算法的实现(baseline algorithm implementation),一般在GitHub上搜索算法名就可以。可以找最近的相关论文的related works:来追踪领域进展。

找一本集成学习的教科书。第一步就是重现基准算法在常用数据集上的表现，这个将会是进行研究的重要参照物。如果某些基准算法没有现成的实现，你可以尝试着动手写一个--实现算法的过程往往就是找灵感改进的过程。

等以上步骤做完后，你就可以考虑如何用集成学习来改进推荐系统。这个时候就可以参考集成学习教科书，分析不同算法的优劣，找到哪些方法有助于提高鲁棒性，再应用到推荐系统上去。跨领域交叉往往比在特定领域创新要容易，这个思路特别适合独立研究者。

3、如何投稿

首先一般投稿有期刊和会议，期刊一般内容更加完善，但会议一般更加前沿，不同领域在意的不同。

期刊一般是单盲（即审稿人知道你的身份，而你不知道谁是审稿人）。会议可能是单盲、双盲甚至三盲（比如ICDM)。考虑到独立研究没有老板的背书，那么尽量避开单盲的投稿，因为你可能会从中吃亏。

第二点就是考虑审稿周期，大部分会议的审稿都在1-3个月内，而大部分期刊的第一轮意见都需要3个月以上才会出现。所以时间敏感的话，建议优先投会议，而非期刊。

另一个常见的操作是会议论文在发表后经过扩展(>30%)的新内容再重投期刊，可以同时兼顾时效性和完整性。

选择投稿渠道也是对于新手非常不友好的环节，建议多问问周围的资深人士。

这一切的前提都是你的英文足够好，这点是一切的前提。最佳情况还是要和别人合作，即使他们和你一样是新手也没关系，毕竟是人多力量大，心理上有个依靠。还有一点就是新手独立发文，在单盲的情况下更容易被拒稿，增加1-2个共同作者有助于减轻这种偏见，原因非常明显就不赘述了。

论文被拒稿是很常见的事情，作为独立新手就更无法避免了。

4、总结

理论上只要你方向选的合适，自身条件尚可，在坚持不懈的实验、写作、投稿、被拒、修改、重投后，总能慢慢走上正轨。如果幸运的话说不定还能在你的研究小领域打开一点局面，有一点知名度。

独立研究最大的成就感来自于「独立」，在这个过程中，你会不断的怀疑自己甚至否定自己，这也是为什么我建议大家能有人一起同行。

但当你有所推进时，比如发出了第一篇不错的文章，你会非常激动。

因为你完成了自己的博士入门训练，避开了民科式科研，在艰苦的环境中打开了一片局面，甚至还微微推动了科学发展。这比发表论文本身更有意义，你应该为自己感到自豪。

我是皇家学术大佬，会持续分享考研干货与科研知识与论文写作技巧等，欢迎大家多多专注！！！

Computational visual media conference是清华大学图形学实验室主办的国际会议，是亚洲图形学学会的三大会议之一（另两个是Pacific Graphics和GMP）。Computational visual media conference会议每年投稿100-240篇，录取25-38篇，论文全部发表在期刊上，包括：CCF A类的IEEE TVCG，CCF B类的Graphical Models和JCST，以及同名的期刊《Computational visual media》，该刊EI收录，Scopus影响因子2.9，高于graphical models.值得投稿！

《Tensorflow：实战Google深度学习框架》（郑泽宇）电子书网盘下载免费在线阅读

资源链接：

链接：

书名：Tensorflow：实战Google深度学习框架

作者：郑泽宇

豆瓣评分：8.0

出版社：电子工业出版社

出版年份：2017-2-10

页数：296

内容简介：

TensorFlow是谷歌2015年开源的主流深度学习框架，目前已在谷歌、优步（Uber）、京东、小米等科技公司广泛应用。《Tensorflow实战》为使用TensorFlow深度学习框架的入门参考书，旨在帮助读者以最快、最有效的方式上手TensorFlow和深度学习。书中省略了深度学习繁琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow样例程序介绍如何使用深度学习解决这些问题。《Tensorflow实战》包含了深度学习的入门知识和大量实践经验，是走进这个最新、最火的人工智能领域的首选参考书。

作者简介：

郑泽宇，现为才云科技（Caicloud.io）联合创始人、首席大数据科学家。针对分布式TensorFlow上手难、管理难、监控难、上线难等问题，他带领团队成功开发了国内首个成熟的分布式TensorFlow深度学习平台（TensorFlow as a Service）。基于此平台，才云大数据团队为安防、电商、金融、物流等多个行业提供有针对性的人工智能解决方案。归国创业之前，郑泽宇曾任美国谷歌高级工程师。从2013 年加入谷歌，郑泽宇作为主要技术人员参与并领导了多个大数据项目。由他提出并主导的产品聚类项目用于衔接谷歌购物和谷歌知识图谱（knowledge graph）数据，使得知识卡片形式的广告逐步取代传统的产品列表广告，开启了谷歌购物广告在搜索页面投递的新纪元。郑泽宇于2011年5月获得北京大学计算机学士学位，并荣获北京大学信息科学技术学院十佳优秀毕业论文、北京大学优秀毕业生。2013年5月获得美国 Carnegie Mellon University（CMU）大学计算机硕士学位，并获得西贝尔奖学金 (Siebel Scholarship)。郑泽宇在机器学习、人工智能领域有多年研究经验，并在SIGIR、SIGKDD、ACL、ICDM、ICWSM等顶级国际会议上发表多篇学术论文。