venue-targeting

会议投稿目标选择

选错投稿 venue 是学术出版中代价最高的错误之一——不匹配的论文可能会被编辑直接拒稿，或被不理解其贡献的审稿人分流。

目标不是瞄准声望最高的 venue，而是找到最能让审稿人理解你的贡献的 venue。

---

工作流

1. 界定贡献

在匹配 venue 之前，先从以下维度对论文进行分类：

贡献类型

• 新方法（架构、算法、损失函数、训练流程）
• 新分析或理论（界限、复杂度、表达能力、泛化）
• 新数据集或基准
• 实证研究或综述（哪些方法有效、哪些无效，以及适用规模）
• 应用或系统（已部署的系统、实际影响）
• 负面结果或复现研究

领域

• ML 理论 / 优化
• 深度学习（监督式、自监督式、生成式）
• NLP / 语言模型
• 计算机视觉
• 强化学习
• 图学习
• 多模态 / 音频 / 语音
• 机器人 / 具身 AI
• 数据挖掘 / 知识发现
• AI 系统 / 效率 / 推理

评估方式

• 合成基准 + 真实基准及消融实验
• 单个大规模基准（排行榜）
• 理论证明 + 小规模实证说明
• 大规模人工评估
• 部署指标（延迟、成本、真实用户）

论文长度与范围

• 完整论文（8–12 页）
• 短篇论文 / Findings 论文（4 页）
• Workshop 论文（4–6 页）
• 期刊论文（无页数限制）

---

2. 匹配 venue 类别

以下仅供大致参考。各 venue 的惯例会发生变化——投稿前务必查看当前的 CFP 和近期录用论文。

顶级 ML 会议（理论 + 方法 + 实证）

Venue	最适合的论文	备注
NeurIPS	新颖方法、理论、分析、大规模实证研究	范围很广；投稿量大；理论门槛高
ICLR	深度学习方法、表征学习、LLM	由社区驱动的评审；OpenReview 透明度高
ICML	理论基础扎实或实证严谨的方法	优化和理论研究社区实力雄厚
AISTATS	概率模型、统计 ML、贝叶斯方法	规模较小；评审较快；对理论友好
COLT	纯 ML 理论、PAC 学习、在线学习	仅限理论；不接收仅有实证结果的论文
UAI	概率图模型、因果推断、不确定性	规模较小；概率推理研究社区实力雄厚

NLP / 语言

Venue	最适合的论文
ACL / EMNLP / NAACL	核心 NLP 任务、语言模型分析、数据集、应用
EACL	范围相同；欧洲社区；有时竞争相对较小
CoNLL	结构化预测、语言学 NLP
Findings of ACL/EMNLP	质量不错但未进入主会的研究；接收范围较广

计算机视觉

Venue	最适合的论文
CVPR	视觉方法、大规模实证研究、应用
ICCV / ECCV	范围相似；每两年举办一次；有时更欢迎理论研究
WACV	层级较低；适合扎实的应用研究

AI / 数据挖掘 / 应用

Venue	最适合的论文
AAAI	广义 AI、应用研究、规划、知识表示
IJCAI	与 AAAI 类似；国际范围更广
KDD	数据挖掘、大规模系统、产业应用
WWW	Web 规模系统、图学习、推荐
WSDM	信息检索、推荐、搜索
ICDM	数据挖掘、模式识别

期刊（适用情况）

• JMLR：适合长篇理论或实证机器学习研究；没有页数限制；审稿较慢，但备受认可。
• TMLR：审稿周期短的机器学习期刊；接收被会议拒稿的扎实研究；不受发表场所声望偏见影响。
• TACL：自然语言处理期刊；审稿周期短；论文集在 ACL/EMNLP 上发表。
• AIJ：人工智能研究；范围广；审稿较慢。

适合选择期刊的情况：论文篇幅过长，不适合投会议；研究是负面结果或复现研究；需要更多篇幅才能充分呈现贡献；或者论文多次被拒，学界一直没有合适的发表渠道。

---

3. 评估契合度与档次是否现实

针对排名最靠前的 2–3 个候选发表渠道，评估：

贡献契合度

• 该发表渠道的顶尖论文是否与这项贡献相似？
• 该领域的审稿人是否能理解并认可核心主张？
• 评估方案是否符合该领域的预期？

档次是否现实

• 接收率是多少？（NeurIPS 约 25%，ICLR 约 30%，ICML 约 27%，ACL 约 25%，CVPR 约 25%）
• 近几年该发表渠道接收的论文中，水平最低的是哪一篇？
• 该领域的审稿人会提出的最有力反对意见是什么？论文能否回应？

截止时间是否合适

• 下一个投稿截止日期是什么时候？
• 论文还需要多少修改才能达到投稿状态？
• 是否有工作坊可供提前征求反馈？

---

4. 工作坊还是主会

适合投工作坊的情况：

• 论文有核心想法，但实验不足以支撑主会论文。
• 贡献具有跨学科性质，投向单一领域的发表渠道时可能引起误解。
• 论文面向的细分领域有专门的工作坊。
• 希望在为主会投稿润色前获取反馈。

不适合投工作坊的情况：

• 论文已达到主会水平——被工作坊接收并无额外价值。
• 如果想法不扎实，论文投工作坊也会被拒。

工作坊论文集通常不具有存档性质；之后仍可向主会投稿。

---

5. 被拒后的重新投稿策略

被拒后，重新投稿前：

1. 阅读评审意见。 找出最有力的反对意见——不是语气最严厉的，而是最有实质内容的。
2. 决定：修正还是重新定位。 有些论文需要补充实验；有些则需要针对不同领域重新构建论述。
3. 考虑更换发表渠道。 如果 NeurIPS 的三位审稿人都认为论文“缺乏理论深度”，可以考虑采用更强的理论论述投 ICML，或投 JMLR 进行长篇阐述。
4. 领域发生变化时，要有意识地重新构建论述——不要只修正技术层面的意见。不同领域的写作规范（论述角度、术语、定量证据密度、经典引用、结构）各不相同；如果论文读起来像是外行之作，可能会因“契合度”问题被扣分，但没有审稿人会直言这一点。转投不同领域时，请参阅 references/cross-community-writing-norms.md：先重写引言（它承载论述角度，也是跨学科作者几乎总会重写的部分），再调整术语、证据密度和经典引用，使其符合目标领域的规范。不要依赖一次性调用大模型来“改写成适合 X 发表渠道的版本”——大模型往往会抹平不同领域的写作差异，而不是适应目标领域；请按照检查清单调整，并由人工进行契合度审查。
5. 绝不要原样重新投稿。 原封不动的论文会因相同原因再次被拒。

常见的重新投稿路径：

• 被 NeurIPS 拒稿 → 修改 → 投 ICLR（时间允许时参加同一轮次）
• 被 ICML 拒稿 → 补充实验 → 投 NeurIPS
• 被 ACL 拒稿 → 调整论述角度 → 投 EMNLP
• 被主会拒稿 → 缩短篇幅 → 投 Findings
• 被 Findings 拒稿 → 投期刊（自然语言处理方向可选 TMLR 或 TACL）

---

输出格式

# Venue Targeting: [Paper title / one-line description]

## Contribution profile
- Type: [method / theory / dataset / empirical study / system / negative result]
- Domain: [field]
- Evaluation: [benchmark types]
- Length: [full paper / short / journal-length]

## Recommended venues (ranked)

### 1. [Venue]
- Fit: [why this community will understand and value the contribution]
- Risks: [what reviewers will push back on]
- Next deadline: [approximate]
- Tier realism: [honest assessment]

### 2. [Venue]
...

### 3. [Venue]
...

## Workshop options (if applicable)
- [Workshop] at [Venue]: [why]

## If rejected from #1
[Concrete resubmission path and what to fix]

## Open questions
[What the user needs to clarify before a final venue decision]

---

质量标准

好的发表渠道建议应能避免发表渠道不匹配，导致数月修改周期白白浪费。建议应如实说明档次是否现实，具体指出审稿人的预期，并为首选被拒后的下一步提供明确计划。