抵制Nature机器智能期刊,维护学界开放:百名学者签署联合声明

2018 年 4 月 29 日 机器之心

机器之心报道

参与:李泽南、路


开放的研究氛围一直是促进人工智能领域发展的关键因素,正是因为学界和业界参与者不断和快速地公开自己的研究结果和代码,人们才能够及时掌相关方向的最新进展,并在学术环境之外开展自己的研究。当开放文化与最为著名的科学期刊《Nature》发生冲突的时候,人工智能领域的学者们选择了反对和抵制后者。


众多学者与工业界人士近日签署了一份声明,声称他们将不会向 Nature 的新期刊《Nature Machine Intelligence》提交论文、提供评审或编辑服务,其中包括了很多我们耳熟能详的名字。



2017 年 11 月 24 日,Nature Research 宣布了旗下新子刊的发布计划,其中,即将于 2019 年 1 月出现的 Nature Machine Intelligence(《自然-机器智能》)非常受人关注。据介绍,《自然-机器智能》将发表和报道人工智能和机器人学领域最出色的研究,其范围包括人机交互、机器学习和认知计算,同时也为讨论机器智能对科学、社会和产业的影响提供平台。根据计划,该刊主编由 Liesbeth Venema 担任。


然而,由于这份刊物的文章发表形式仍然遵从传统学术期刊的封闭、文章作者付费提交审核的模式,在发刊计划宣布之后引起了人工智能社区的广泛讨论。很多人认为在如此重要的期刊上施行不符合机器学习领域内普遍存在的开放原则是一件无法接受的事情。随着事件发展,已经有人开始了行动。近日,俄勒冈州立大学的学者们发起了一份抵制《自然-机器智能》的声明。


截至目前,我们已经可以在这份请愿书上看到超过 380 个联名签署的名字,其中不乏在机器学习领域里颇具影响力的学者,以及著名业界人士,包括但不限于:Yoshua Bengio、Yann LeCun、Gary Marcus、Jeff Dean、Ian Goodfellow、Sergey Levine……看起来,目前这一行动已经具有相当的影响力了。


以下是俄勒冈州立大学关于《自然-机器智能》的声明:



机器学习已经处于免费、开放科研运动的前端。例如,2001 年,Machine Learning Journal 编委会集体辞职,转而支持新的零成本开放式期刊 Journal of Machine Learning Research (JMLR)。


2001 年的辞职信中写道:


「……期刊应该服务于社区,尤其是利用现代技术的支持提供直接、普遍可及的期刊文章,不排斥任何人。」


除 JMLR 以外,实际上几乎所有的重要机器学习平台,如 NIPS、ICML、ICLR、COLT、UAI 和 AISTATS 都不会对获取或发布论文进行收费。


鉴于此,以及 Nature 最近宣布即将推出新的封闭式期刊 Nature Machine Intelligence,以下列表中的研究者特此声明他们将不会向这本新期刊提交论文,或提供评审或编辑服务。


机器学习研究的未来没有封闭式或仅作者免费的文章发布方式的一席之地,我们认为将这本新期刊作为机器学习社区的新的论文发布平台将是一种倒退。相反,我们应该欢迎人工智能和机器学习领域新的零成本开放式期刊和会议。


在此查看签名:https://openaccess.engineering.oregonstate.edu/signatures 


这份声明的签署页



本文为机器之心报道,转载请联系本公众号获得授权

✄------------------------------------------------

加入机器之心(全职记者/实习生):hr@jiqizhixin.com

投稿或寻求报道:editor@jiqizhixin.com

广告&商务合作:bd@jiqizhixin.com

登录查看更多
0

相关内容

人工智能(Artificial Intelligence, AI )是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支。
从HPO到NAS: 自动深度学习
专知会员服务
37+阅读 · 2020年6月15日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
269+阅读 · 2020年1月1日
斯坦福&谷歌Jeff Dean最新Nature论文:医疗深度学习技术指南
KDD 2019放榜,接收率低至14%,你的论文中了吗?
机器之心
7+阅读 · 2019年4月30日
排查中国千人计划学者,美对华科技限制再次升级
算法与数学之美
6+阅读 · 2018年9月19日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
A Comprehensive Survey on Graph Neural Networks
Arxiv
13+阅读 · 2019年3月10日
Arxiv
8+阅读 · 2018年2月23日
VIP会员
Top
微信扫码咨询专知VIP会员