国际表征学习大会

机器学习与数据挖掘
范式 监督学习 無監督學習 線上機器學習 元学习（英语：Meta-learning (computer science)） 半监督学习 自监督学习 强化学习 基于规则的机器学习（英语：Rule-based machine learning） 量子機器學習
问题 统计分类 生成模型 迴歸分析 聚类分析 降维 密度估计（英语：density estimation） 异常检测 数据清洗 自动机器学习 关联规则学习 語意分析 结构预测（英语：Structured prediction） 特征工程 表征学习 排序学习（英语：Learning to rank） 语法归纳（英语：Grammar induction） 本体学习（英语：Ontology learning） 多模态学习
监督学习 (分类 · 回归) 学徒学习（英语：Apprenticeship learning） 决策树学习 集成学习 Bagging 提升方法 随机森林 k-NN 線性回歸 朴素贝叶斯 人工神经网络 邏輯斯諦迴歸 感知器 相关向量机（RVM） 支持向量机（SVM） 迁移学习 微调
聚类分析 BIRCH CURE算法（英语：CURE algorithm） 层次 k-平均 Fuzzy 期望最大化（EM） DBSCAN OPTICS 均值飘移（英语：Mean shift）
降维 因素分析 CCA ICA LDA NMF（英语：Non-negative matrix factorization） PCA PGD（英语：Proper generalized decomposition） t-SNE（英语：t-distributed stochastic neighbor embedding） SDL
结构预测（英语：Structured prediction） 圖模式 貝氏網路 條件隨機域 隐马尔可夫模型
异常检测 RANSAC k-NN 局部异常因子（英语：Local outlier factor） 孤立森林（英语：Isolation forest）
人工神经网络 自编码器 認知計算 深度学习 DeepDream（英语：DeepDream） 多层感知器 RNN LSTM GRU（英语：Gated recurrent unit） ESN（英语：Echo state network） 储备池计算（英语：reservoir computing） 受限玻尔兹曼机 GAN SOM CNN U-Net Transformer Vision transformer（英语：Vision transformer） 脉冲神经网络（英语：Spiking neural network） Memtransistor（英语：Memtransistor） 电化学RAM（英语：Electrochemical RAM）（ECRAM）
强化学习 Q学习 SARSA 时序差分（TD） 多智能体（英语：Multi-agent reinforcement learning） Self-play（英语：Self-play (reinforcement learning technique)） RLHF
与人类学习 主动学习（英语：Active learning (machine learning)） 众包 Human-in-the-loop（英语：Human-in-the-loop）
模型诊断 学习曲线（英语：Learning curve (machine learning)）
数学基础 内核机器（英语：Kernel machines） 偏差–方差困境（英语：Bias–variance tradeoff） 计算学习理论（英语：Computational learning theory） 经验风险最小化 奥卡姆学习（英语：Occam learning） PAC学习（英语：Probably approximately correct learning） 统计学习 VC理论
大会与出版物 NeurIPS ICML（英语：International Conference on Machine Learning） ICLR ML（英语：Machine Learning (journal)） JMLR（英语：Journal of Machine Learning Research）
相关条目 人工智能术语（英语：Glossary of artificial intelligence） 机器学习研究数据集列表（英语：List of datasets for machine-learning research） 机器学习概要（英语：Outline of machine learning）
查 论 编

国际表征学习大会（英語：International Conference on Learning Representations，ICLR），是机器学习领域的一个学术会议，每年一次，在春季召开。

ICLR会议由杨立昆和约书亚·本希奥创立。自2013年举办首届起，该会议一直采用开放式同行评审（英语：Open peer review）。^[1][2][3][4]

在首届会议的公开信中，杨立昆和约书亚·本希奥阐述了该会议创办的宗旨：^[5]

尽管表征学习对机器学习以及视觉、语音、音频和自然语言处理等应用领域很重要，但目前还没有一个场所以供对表征学习有兴趣的研究人员进行交流讨论。ICLR会议旨在填补这一空白。

由于一些非洲学者难以获得欧洲或北美的签证，该会议组织者曾计划在2020年将会议移至埃塞俄比亚亚的斯亚贝巴召开，但后因COVID疫情影响转为线上会议。^[6][7]2023年会议将在卢旺达吉佳利举行。^[8]

• ICLR 2023，吉佳利
• ICLR 2022（线上）
• ICLR 2021，维也纳（线上）
• ICLR 2020，亚的斯亚贝巴（线上）
• ICLR 2019，路易斯安那，新奥尔良
• ICLR 2018，温哥华
• ICLR 2017，土伦
• ICLR 2016，波多黎各，圣胡安
• ICLR 2015，加利福尼亚，圣迭戈
• ICLR 2014，班夫国家公园
• ICLR 2013，亚利桑那，斯科茨代尔

• 表征学习
• 神经信息处理系统大会