ICLR
ICLR，全称 International Conference on Learning Representations，中文译名为「国际学习表征会议」。该会议由 Yoshua Bengio 和 Yann LeCun 牵头创办，2013 年召开了首次会议。
ICLR 创办目的：
众所周知，数据的应用表征对于机器学习的性能有着重要影响。表征学习的迅猛发展也伴随着不少问题，比如我们如何更好地从数据中学习更具含义及有效的表征。我们对这个领域展开了探索，包括了深度学习、表征学习、度量学习、核学习、组合模型、非常线性结构预测及非凸优化等问题。尽管表征学习对于机器学习及包括视觉、语音、音频及 NLP 领域起着至关重要的作用，目前还缺乏一个场所，能够让学者们交流分享该领域所关心的话题。ICLR 的宗旨正是填补这一鸿沟。
ICLR 亮点：
Open Review 评审制度1，根据规定：
所有提交的论文都会公开姓名等信息，并且接受所有同行的评价及提问（open peer review），任何学者都可或匿名或实名地评价论文。而在公开评审结束后，论文作者也能够对论文进行调整和修改。
ICLR 官方投稿入口：OpenReview.net
OpenReview.net 是马萨诸塞大学阿默斯特学院 Andrew McCallum 为 ICLR 2013 牵头创办的一个公开评审系统，秉承公开同行评审、公开发表、公开来源、公开讨论、公开引导、公开推荐、公开 API 及开源等八大原则，得到了 Facebook、Google、NSF 和马萨诸塞大学阿默斯特中心等机构的支持。
CVPR
CVPR，全称 IEEE Conference on Computer Vision and Pattern Recognition，中文译名「IEEE 国际计算机视觉与模式识别会议」。1983年，第一届 CVPR 会议在华盛顿由金出武雄和 Dana Ballard 举办，此后每年都在美国本土举行。
CVPR）是 IEEE 一年一度的学术性会议，会议的主要内容是计算机视觉与模式识别技术。一般在六月举行，地点通常位于美国的西部，中部或东部地区。例如，2013 年在波特兰召开，2014 年在哥伦比亚举办，2015 年在波士顿，2016 年在拉斯维加斯，2017 年在夏威夷等。
CVPR，与 ICCV 和 ECCV 一同并列计算机视觉三大顶会。近年来每年有约 1500 名参加者，收录的论文数量一般 300 篇左右，整体收录率 < 30%，口头报告的论文比例 < 5%。CVPR 一般采用「双盲评审」，通常一篇论文需要由三位审稿人进行审读，最后由会议的 area chair 决定是否被接收。该会议每年都会有固定的研讨主题。企业也可以通过赞助该会议从而获得在会场展示的机会。
ECCV
ECCV，全称 European Conference on Computer Vision，中文译名「欧洲计算机视觉国际会议」。两年召开一次。该会议每年录用的论文数量 300 篇左右，录取率 2010 年 27% 左右，录用的论文来源主要为美国、欧洲等顶尖实验室和研究所，中国大陆每年差不多有 10-20 篇论文被录用。
ICML
ICML，全称 International Conference on Machine Learning，中文译名「国际机器学习大会」，由国际机器学习学会（IMLS）主办，一年一次。与 NIPS 并列机器学习两大顶会。
NIPS
NIPS，全称 Conference and Workshop on Neural Information Processing Systems，中文译名「神经信息处理系统」大会，是一个关于机器学习和计算神经科学的国际会议。
大会每年 12 月举行，主办方为 NIPS 基金会。会后一般会在第 2 年初版会议的论文集，会议的名字「Advances in Neural Information Processing Systems」。
NIPS 与标准的机器学习会议（如 ICML）不同，NIPS 会议有相当一部分是关于神经科学的，但因为主要内容仍然是机器学习，所有依然被不少人看作是机器学习方面最好的会议之一。
参考资料：
[1] https://zhuanlan.zhihu.com/p/51749414
[2] https://www.leiphone.com/news/201704/CdCLonir2okijXtg.html
[3] https://blog.csdn.net/program_developer/article/details/72846359
目前的论文审核主要分为单盲 (single-blind review)、双盲 (double-blind review) 及开放评审（open review）等多种形式。① 单盲评审的含义非常简单，即评审知道作者的名字、学校等身份信息，但作者并不知道评审论文的人是谁；② 而双盲评审则是双方都不知晓彼此的身份信息。这两种方式为较多学术会议及期刊评审论文的主要途径。单盲评审的优势非常明显，即评审处于匿名身份，可以让评审免受压力，但评审由于知道了论文的作者信息，则非常有可能产生刻板印象，产生不够客观的评审结果。比如，对于比较有名的学者，评审会对论文的质量产生预设。而双盲评审则能够大幅降低作者个人信息所带来的附加效应，不过，评审也非常有可能从行文、主题中判断作者的信息。↩