當前位置：首頁 JCRQ2 期刊介紹(非官網(wǎng))

Machine LearningSCIE

國際簡稱：MACH LEARN 參考譯名：機器學習

中科院分區(qū)
3區(qū)
CiteScore分區(qū)
Q1
JCR分區(qū)
Q2

基本信息：: ISSN：0885-6125; E-ISSN：1573-0565; 是否OA：未開放; 是否預(yù)警：否; TOP期刊：否

出版信息：: 出版地區(qū)：UNITED STATES; 出版商：Springer US; 出版語言：English; 出版周期：Monthly; 出版年份：1986; 研究方向：工程技術(shù)-計算機：人工智能

評價信息：: 影響因子：4.3; H-index：135; CiteScore指數(shù)：11; SJR指數(shù)：1.72; SNIP指數(shù)：2.57

發(fā)文數(shù)據(jù)：: Gold OA文章占比：46.75%; 研究類文章占比：99.39%; 年發(fā)文量：164; 自引率：0.0266...; 開源占比：0.4226; 出版撤稿占比：0; 出版國人文章占比：0.07; OA被引用占比：0.3272...

投稿咨詢加急見刊

英文簡介期刊介紹 CiteScore數(shù)據(jù) 中科院SCI分區(qū) JCR分區(qū) 發(fā)文數(shù)據(jù) 常見問題

英文簡介Machine Learning期刊介紹

Machine Learning is an international forum for research on computational approaches to learning. The journal publishes articles reporting substantive results on a wide range of learning methods applied to a variety of learning problems, including but not limited to:

Learning Problems: Classification, regression, recognition, and prediction; Problem solving and planning; Reasoning and inference; Data mining; Web mining; Scientific discovery; Information retrieval; Natural language processing; Design and diagnosis; Vision and speech perception; Robotics and control; Combinatorial optimization; Game playing; Industrial, financial, and scientific applications of all kinds.

Learning Methods: Supervised and unsupervised learning methods (including learning decision and regression trees, rules, connectionist networks, probabilistic networks and other statistical models, inductive logic programming, case-based methods, ensemble methods, clustering, etc.); Reinforcement learning; Evolution-based methods; Explanation-based learning; Analogical learning methods; Automated knowledge acquisition; Learning from instruction; Visualization of patterns in data; Learning in integrated architectures; Multistrategy learning; Multi-agent learning.

期刊簡介Machine Learning期刊介紹

《Machine Learning》自1986出版以來，是一本計算機科學優(yōu)秀雜志。致力于發(fā)表原創(chuàng)科學研究結(jié)果，并為計算機科學各個領(lǐng)域的原創(chuàng)研究提供一個展示平臺，以促進計算機科學領(lǐng)域的的進步。該刊鼓勵先進的、清晰的闡述，從廣泛的視角提供當前感興趣的研究主題的新見解，或?qū)彶槎嗄陙砟硞€重要領(lǐng)域的所有重要發(fā)展。該期刊特色在于及時報道計算機科學領(lǐng)域的最新進展和新發(fā)現(xiàn)新突破等。該刊近一年未被列入預(yù)警期刊名單，目前已被權(quán)威數(shù)據(jù)庫SCIE收錄，得到了廣泛的認可。

該期刊投稿重要關(guān)注點：

預(yù)計審稿時間：較慢,6-12周
計算機科學
COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE
SCIE
中科院3區(qū)
非預(yù)警

Cite Score數(shù)據(jù)（2024年最新版）Machine Learning Cite Score數(shù)據(jù)

CiteScore：11
SJR：1.72
SNIP：2.57

學科類別	分區(qū)	排名	百分位
大類：Computer Science 小類：Software	Q1	45 / 407	89%
大類：Computer Science 小類：Artificial Intelligence	Q1	54 / 350	84%

CiteScore 是由Elsevier(愛思唯爾)推出的另一種評價期刊影響力的文獻計量指標。反映出一家期刊近期發(fā)表論文的年篇均引用次數(shù)。CiteScore以Scopus數(shù)據(jù)庫中收集的引文為基礎(chǔ)，針對的是前四年發(fā)表的論文的引文。CiteScore的意義在于，它可以為學術(shù)界提供一種新的、更全面、更客觀地評價期刊影響力的方法，而不僅僅是通過影響因子(IF)這一單一指標來評價。

歷年Cite Score趨勢圖

中科院SCI分區(qū)Machine Learning 中科院分區(qū)

中科院 2023年12月升級版 綜述期刊：否 Top期刊：否

大類學科	分區(qū)	小類學科	分區(qū)
計算機科學	3區(qū)	COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE 計算機：人工智能	3區(qū)

中科院分區(qū)表 是以客觀數(shù)據(jù)為基礎(chǔ)，運用科學計量學方法對國際、國內(nèi)學術(shù)期刊依據(jù)影響力進行等級劃分的期刊評價標準。它為我國科研、教育機構(gòu)的管理人員、科研工作者提供了一份評價國際學術(shù)期刊影響力的參考數(shù)據(jù)，得到了全國各地高校、科研機構(gòu)的廣泛認可。

中科院分區(qū)表 將所有期刊按照一定指標劃分為1區(qū)、2區(qū)、3區(qū)、4區(qū)四個層次，類似于“優(yōu)、良、及格”等。最開始，這個分區(qū)只是為了方便圖書管理及圖書情報領(lǐng)域的研究和期刊評估。之后中科院分區(qū)逐步發(fā)展成為了一種評價學術(shù)期刊質(zhì)量的重要工具。

歷年中科院分區(qū)趨勢圖

JCR分區(qū)Machine Learning JCR分區(qū)

2023-2024 年最新版

按JIF指標學科分區(qū)	收錄子集	分區(qū)	排名	百分位
學科：COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE	SCIE	Q2	54 / 197	72.8%

按JCI指標學科分區(qū)	收錄子集	分區(qū)	排名	百分位
學科：COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE	SCIE	Q2	71 / 198	64.39%

JCR分區(qū)的優(yōu)勢在于它可以幫助讀者對學術(shù)文獻質(zhì)量進行評估。不同學科的文章引用量可能存在較大的差異，此時單獨依靠影響因子(IF)評價期刊的質(zhì)量可能是存在一定問題的。因此，JCR將期刊按照學科門類和影響因子分為不同的分區(qū)，這樣讀者可以根據(jù)自己的研究領(lǐng)域和需求選擇合適的期刊。

歷年影響因子趨勢圖

發(fā)文數(shù)據(jù)

2023-2024 年國家/地區(qū)發(fā)文量統(tǒng)計

國家/地區(qū)數(shù)量
USA53
England42
GERMANY (FED REP GER)39
CHINA MAINLAND31
Japan28
France25
Australia17
India16
Italy12
Netherlands12

本刊中國學者近年發(fā)表論文

1、Multiscale principle of relevant information for hyperspectral image classification
Author: Wei, Yantao; Yu, Shujian; Giraldo, Luis Sanchez; Principe, Jose C.

Journal: MACHINE LEARNING. 2023; Vol. 112, Issue 4, pp. 1227-1252. DOI: 10.1007/s10994-021-06011-9
2、Troubleshooting image segmentation models with human-in-the-loop
Author: Wang, Haotao; Chen, Tianlong; Wang, Zhangyang; Ma, Kede

Journal: MACHINE LEARNING. 2023; Vol. 112, Issue 3, pp. 1033-1051. DOI: 10.1007/s10994-021-06110-7
3、Beyond confusion matrix: learning from multiple annotators with awareness of instance features
Author: Li, Jingzheng; Sun, Hailong; Li, Jiyi

Journal: MACHINE LEARNING. 2023; Vol. 112, Issue 3, pp. 1053-1075. DOI: 10.1007/s10994-022-06211-x
4、DAFS: a domain aware few shot generative model for event detection
Author: Xia, Nan; Yu, Hang; Wang, Yin; Xuan, Junyu; Luo, Xiangfeng

Journal: MACHINE LEARNING. 2023; Vol. 112, Issue 3, pp. 1011-1031. DOI: 10.1007/s10994-022-06198-5
5、Reconciling privacy and utility: an unscented Kalman filter-based framework for differentially private machine learning
Author: Tang, Kunsheng; Li, Ping; Song, Yide; Luo, Tian

Journal: MACHINE LEARNING. 2023; Vol. 112, Issue 1, pp. 311-351. DOI: 10.1007/s10994-022-06279-5
6、Limits of multi-relational graphs
Author: Alvarado, Juan; Wang, Yuyi; Ramon, Jan

Journal: MACHINE LEARNING. 2023; Vol. 112, Issue 1, pp. 177-216. DOI: 10.1007/s10994-022-06281-x
7、Neural predictor-based automated graph classifier framework
Author: Oloulade, Babatounde Moctard; Gao, Jianliang; Chen, Jiamin; Al-Sabri, Raeed; Lyu, Tengfei

Journal: MACHINE LEARNING. 2023; Vol. 112, Issue 4, pp. 1315-1335. DOI: 10.1007/s10994-022-06287-5
8、Diverse and consistent multi-view networks for semi-supervised regression
Author: Nguyen, Cuong; Raja, Arun; Zhang, Le; Xu, Xun; Unnikrishnan, Balagopal; Ragab, Mohamed; Lu, Kangkang; Foo, Chuan-Sheng

Journal: MACHINE LEARNING. 2023; Vol. , Issue , pp. -. DOI: 10.1007/s10994-023-06305-0