欢迎探索Machine Learning期刊系列新文章类型
- 挑战类文章（Challenges）：记录由学术社群主导、协作开展的研究计划，旨在解决具有影响力的科学问题。这类文章重点介绍新算法、数据集或工作流程的开发，并强调问题解决中的开放性与可复现性方法。
- 数据集文章（Dataset Articles）：介绍新整理的数据集或对已有数据集的重要更新。这些数据集需托管于经过认证的存储库中，文章将详尽描述数据的收集、处理与格式化过程重点介绍可复用的数据集，帮助其他研究人员理解和使用数据，而非用于验证假设或提出新解读。
- 基准类文章（Benchmarks）：对模型、算法或软件工具在标准问题或数据集上的表现进行严格的对比分析。这类文章评估性能指标，并指出不同方案的优劣。
您可以此处链接，探索这些新文章类型，紧跟可复现、数据驱动科研的前沿趋势。
文章示例
挑战类文章（Challenges）：
The OpenLAM Challenges: LAM Crystal Philately competition
数据集文章（Dataset Articles）：
ChemLit-QA: a human evaluated dataset for chemistry RAG tasks
Aspen Open Jets: Unlocking LHC Data for Foundation Models in Particle Physics
基准类文章（Benchmarks）：
Machine-learning-assisted Monte Carlo fails at sampling computationally hard problems
Benchmarking machine learning interatomic potentials via phonon anharmonicity
期刊介绍
- 2024年影响因子：4.6 Citescore：7.7
- Machine Learning: Science and Technology （MLST）是一本跨学科期刊，致力于发表智能机器在物理、材料科学、化学、生物学、医学、地球科学、天文学和工程学等多学科领域的应用和发展。涉及领域包括：物理学和空间科学；设计和发现新材料和分子；材料表征技术；模拟材料、化学过程和生物系统；原子和粗粒度模拟；量子计算；生物学、医学和生物医学成像；地球科学（包括自然灾害预测）和气候学；模拟方法和高性能计算。同时，也包括机器学习方法在概念上的新进展：新的学习算法；深度学习架构；核心方法；概率和贝叶斯方法；生成方法；强化和主动学习；经常性和基于时间结构的方法；神经启发方法（包括神经形态计算）。
- Machine Learning: Engineering是一本多学科开放获取期刊，致力于在所有工程领域应用机器学习、人工智能数据驱动的计算方法。该期刊还发表介绍机器学习和人工智能在方法、理论或概念上的进展，并将其应用于所有工程领域的研究。
- Machine Learning: Health是一本多学科开放获取期刊，致力于在医疗保健、医学、生物、临床和健康科学领域应用机器学习、人工智能和数据驱动的计算方法。该期刊还发表机器学习和人工智能在方法、理论或概念上的进展，并将其应用于医学和健康科学的研究。
- Machine Learning: Earth是一本多学科开放获取期刊，致力于在地球、环境、气候科学、可持续发展的所有领域应用机器学习、人工智能和数据驱动的计算方法。该期刊发表应用数据驱动方法的研究报告，这些方法提高了我们对地球系统的认识，以及对生物圈、水圈、冰冻圈、大气圈和地圈之间相互作用的认识。