会刊目录
- 建立分类学(papernotes已有的来建立）
- 统计分布情况
- 问题层面
- Out-of-Distribution Generalization ——分布外泛化
选题思路
先由 问题地图 按「研究对象 → 核心能力 → 共同瓶颈 → 解决范式」为整个领域建图，形成整体认知；再到 Problem × Domain 矩阵 中统计同一个问题在不同领域里的分布，判断它是否跨领域反复出现；随后对每个候选问题做 Limitations 挖掘，从各篇论文的 limitation、discussion、future work 中提取作者明确承认却仍未解决的瓶颈并聚类；同时用 刷点风险指标 避开论文很多但高度同质化、只靠刷 benchmark 的红海方向；接着放到 论文四象限 里，用「研究活跃度 × 跨领域性」两个维度给问题定位，区分核心研究机会与潜在基础问题；最后由 博士选题候选指数 从广度、增长性、持续性、未解决程度、可进入性等维度综合打分，筛出博士课题候选集合。
| 类型 | 名称 | 方向 | 说明 |
|---|---|---|---|
| 顶会 | NeurIPS | ML · 多模态 | 表征学习、自监督学习论文的重镇；多模态表征学习常见于此。 |
| 顶会 | ICML | ML | 机器学习综合顶会，表征学习论文数量大。 |
| 顶会 | ICLR | 表征学习 | 名称直接包含 Representations，表征学习论文最集中的会议之一。 |
| 顶会 | CVPR | CV | 表征学习聚焦视觉领域的主场，包括对比学习和自监督视觉预训练。 |
| 顶会 | ICCV | CV | 视觉领域顶会，自监督视觉预训练论文集中。 |
| 顶会 | ECCV | CV | 视觉领域顶会。 |
| 顶会 | ACL | NLP | NLP 表征学习，包括词向量、句子表征和预训练语言模型。 |
| 顶会 | EMNLP | NLP | NLP 实证方法顶会，预训练语言模型论文密集。 |
| 顶会 | NAACL | NLP | ACL 北美分会，NLP 表征学习论文集中。 |
| 顶会 | AAAI | AI | 综合性人工智能顶会。 |
| 顶会 | KDD | 图 · 数据 | 偏应用和数据挖掘，图表征学习常见于此。 |
| 顶刊 | JMLR | ML | 机器学习权威开源期刊。 |
| 顶刊 | TPAMI | CV | 视觉和表征学习方向权威期刊。 |
| 顶刊 | Nature Machine Intelligence | ML | Nature 旗下人工智能期刊。 |
| 顶刊 | Machine Learning | ML | Springer 机器学习期刊。 |
定义： 建立一个从“研究对象”到“核心问题”再到“解决方法”的多层次 AI 研究知识结构，用来形成对整个领域的整体认知。
推荐采用如下层级：
Layer 1：Domain
研究对象 / 领域
Language
Vision
Multimodal
Embodied AI
Robotics
Scientific AI
Structured Data
↓
Layer 2：Capability
核心能力
Perception
Generation
Reasoning
Retrieval
Memory
Planning
Control
Learning
↓
Layer 3：Problem
共同瓶颈
Generalization
Robustness
Uncertainty
Efficiency
Evaluation
Interpretability
Grounding
Long-horizon
Knowledge
Adaptation
Safety
↓
Layer 4：Method
解决范式
Scaling
Representation Learning
RAG
RL
Agent
World Model
Diffusion
Causal Learning
Symbolic Method
Test-time Adaptation
Memory核心思想： 博士选题不一定应该停留在：
“我要做 VLM”
“我要做 Agent”
“我要做 3D Vision”而更适合抽象成：
一个跨领域共同问题
+
一个新的解释框架 / 方法范式例如：
跨语言模型、视觉语言模型和 Embodied Agent 的可靠泛化问题或者：
长时序智能系统中的 Memory、Uncertainty 和 Error Accumulation 问题定义： 统计不同“共同问题（Problem）”在不同研究领域（Domain）中的分布情况，用于判断某个问题是否具有跨领域的普适性。
核心目的： 识别那些不仅存在于单一领域，而是在 CV、NLP、LLM、Multimodal、Robotics、RL、Scientific AI 等多个领域中反复出现的共同问题。
典型问题示例：
- Generalization / OOD
- Robustness
- Uncertainty
- Efficiency
- Evaluation
- Long-horizon Reasoning
- Memory
- Grounding
- Continual Adaptation
主要价值： 帮助区分“领域特定问题”和“跨领域基础问题”，从而优先寻找更具有通用研究价值的博士课题。
定义： 从论文中的 limitation、discussion、future work、failure case 等内容中提取作者明确承认的未解决问题，并对这些问题进行聚类和统计。
核心思路： 例如不同论文可能分别写：
- poor generalization to unseen domains
- performance drops under distribution shift
- limited transferability
- fails on unseen categories
虽然表达不同，但本质上可能都属于：
OOD / Generalization因此可以将大量论文的 limitation 聚合成一套“共同失败模式”。
重点分析：
- 哪些 limitation 出现频率最高
- 哪些 limitation 连续多年存在
- 哪些 limitation 横跨多个领域
- 哪些 limitation 已经有大量论文研究但仍未解决
主要价值： 相比“论文在研究什么”，limitations 更直接反映：
当前整个领域真正解决不了什么。
这可能是发现长期基础研究问题的重要入口。
定义： 衡量一个研究方向是否已经进入高度同质化、benchmark 驱动、局部性能优化为主的阶段。
可以统计的指标包括：
- Benchmark 集中度
- Dataset 集中度
- Evaluation Metric 集中度
- 方法结构相似度
- 平均性能提升幅度
- SOTA 更新频率
- 方法贡献是否集中在局部模块修改
- 是否大量出现 new loss / new module / new architecture
- 理论分析、机制研究和 failure analysis 的比例
典型高风险特征：
大量论文
+ 使用相同数据集
+ 使用相同指标
+ 方法高度相似
+ 性能提升只有 0.x%这可能意味着该方向已经形成成熟的“刷榜范式”。
主要价值： 帮助避免进入论文很多、竞争激烈，但主要依靠工程调参和局部优化的研究方向。
定义： 用两个核心维度将研究问题放到二维空间中，从而判断不同问题的研究价值和定位。
一个推荐的二维坐标是：
-
横轴：Research Activity / Growth
- 当前论文数量
- 近几年增长速度
-
纵轴：Cross-domain Generality
- 问题横跨多少领域
- 是否具有普适性
形成四个象限：
| 研究活跃度低 | 研究活跃度高 | |
|---|---|---|
| 跨领域性高 | 潜在基础问题 | 核心研究机会 |
| 跨领域性低 | 小众问题 | 热门领域问题 |
重点关注两个象限
右上角：
高跨领域性
+
高研究活跃度代表已经形成明显领域共识的重要问题。
左上角：
高跨领域性
+
当前研究量较少可能代表尚未充分开发的基础研究机会。
主要价值： 防止简单地把“论文最多”等同于“最值得研究”，而是同时考虑研究热度与问题普适性。
定义： 为潜在研究问题构建一个综合评分体系，从多个维度评价其是否适合作为博士阶段长期研究方向。
可以考虑如下维度：
- Breadth（广度）：问题覆盖多少领域、多少顶会
- Growth（增长性）：相关论文占比是否持续增长
- Persistence（持续性）：问题是否连续多年存在
- Fragmentation（碎片化程度）：现有解决方案是否高度分散
- Unsolvedness（未解决程度）：论文是否持续重复提到相同 limitation
- Feasibility（可进入性）：普通实验室是否能够开展研究
- Scientific Depth（科学深度）：是否存在值得解释的机制性问题
可以形成类似：
Topic Score
= Breadth
× Persistence
× Unsolvedness
× Scientific Depth
× Feasibility主要价值： 避免单纯依据“热门程度”选方向，而是从长期性、通用性、未解决程度和研究深度等方面系统评估博士课题。