ICML — כנס בינלאומי ללמידת-מכונה

ההיסטוריה: מסדנת-עבודה באוניברסיטת קרנגי-מלון לכנס עולמי

ICML החל את דרכו כאירוע צנוע בהרבה מכפי שהוא היום: "סדנת-העבודה הבינלאומית בלמידת-מכונה" (International Workshop on Machine Learning) שהתקיימה ביולי 1980 באוניברסיטת קרנגי-מלון (Carnegie Mellon University) בפיטסבורג, ביוזמת שלושה חוקרים — ג'יימי קרבונל (Jaime Carbonell), רישרד מיכלסקי (Ryszard S. Michalski) וטום מיטשל (Tom M. Mitchell). רק ב-1993 עבר האירוע להתקיים כסדרת-כנסים מלאה תחת השם הנוכחי. הוותק הזה הופך את ICML לוותיק מבין שלושת כנסי-הדגל המובילים של תחום למידת-המכונה — יחד עם NeurIPS ו-ICLR — אף שבעשור האחרון הוא צמח בקצב דומה להם, אם לא מהיר יותר.

מבנה וגוף-מארגן: ביקורת-עמיתים עיוורת-כפולה ופרסום פתוח

את הכנס מארגן גוף עצמאי בשם האגודה הבינלאומית ללמידת-מכונה (International Machine Learning Society — IMLS), באמצעות ועד-כנס, ועדות-תוכנית ויושבי-ראש-תחום. כמו ב-NeurIPS, גם ב-ICML נדרשת ביקורת-עמיתים עיוורת-כפולה — הגשה חייבת להיות אנונימית לחלוטין, וניסוח שעלול לחשוף את זהות המחברים אסור. מאמרים שהתקבלו מוצגים כפוסטר, כשמיעוט נבחר זוכה למעמד "זרקור" (Spotlight) או להצגה בעל-פה (Oral) — הבחנה שניתנת רק לאחוזים בודדים מכלל ההגשות. ועדת-שופטים שנתית גם מעניקה פרס "מאמר מצטיין" (Outstanding Paper Award) לתרומה הבולטת ביותר של אותה שנה. כל המאמרים שמתקבלים מתפרסמים בגישה פתוחה לחלוטין בסדרת-הפרסומים המקוונת Proceedings of Machine Learning Research (PMLR) — ללא חומת-תשלום.

קנה-המידה: הגשות שממשיכות לטפס משנה לשנה

קצב-הצמיחה של ICML בשנים האחרונות בולט אפילו ביחס לתחום שכולו גדל בקצב מסחרר. ב-2024 הוגשו 9,473 מאמרים, מתוכם התקבלו 27.5%; ב-2025 טיפסו ההגשות ל-12,107, מהן התקבלו 3,260 (26.9%). ב-2026 המשיכו ההגשות לטפס עוד: לפי CS Conf Stats נספרו 23,918 הגשות, מתוכן התקבלו 6,352 מאמרים — שיעור-קבלה של 26.6%. (הכנס עצמו דיווח באותה שנה על מספר גולמי גבוה מעט יותר של קובצי-מאמר שהוגשו, לפני הסרת הגשות שנפסלו או נמשכו; פערים קטנים כאלה בין ספירה רשמית לספירת-צד-שלישי שכיחים בכל כנסי התחום.) הכנס ה-43 הזה התקיים ב-6–11 ביולי 2026 במרכז-הכנסים COEX בסיאול, דרום-קוריאה.

היכן ICML נבדל מ-NeurIPS

אף שהשניים חופפים היום במידה רבה בנושאים ובקהל, יש להם שורשים שונים ודגש-אופי מתועד: NeurIPS צמח מקהילה שעסקה גם ברשתות-נוירונים ביולוגיות ולא רק מלאכותיות, וההיסטוריה שלו קשורה למדעי-המוח לא פחות מללמידת-מכונה טהורה. ICML, לעומתו, נולד ישירות מקהילת-חוקרי למידת-מכונה, ולפי תיאורים מתועדים נוטה באופן מסורתי להעניק משקל רב יותר לתורת-הלמידה הסטטיסטית (Statistical Learning Theory), ללמידת-חיזוק, לרובוטיקה ולאופטימיזציה — לעומת הדגש הרחב יותר של NeurIPS. בפועל, ההבדל הזה מיטשטש משנה לשנה ככל שהתחום מתאחד סביב אותם מודלים וטכניקות, אך הוא עדיין ניכר בהרכב ועדות-התוכנית ובסוג המאמרים שכל כנס נוטה למשוך.

מאמרים משפיעים שיצאו מ-ICML

אף ש-ICML נוסד עשורים לפני שהלמידה העמוקה הפכה למרכז-הכובד של התחום, הוא אירח כמה מהמאמרים המשפיעים ביותר בתולדותיה. "Batch Normalization" מבית Google, שהוצג ב-2015, הפך לטכניקת-אימון סטנדרטית שכמעט כל רשת-נוירונים מודרנית משתמשת בה. "CLIP" של OpenAI — מודל שמחבר תמונות וטקסט למרחב-ייצוג משותף — הוצג גם הוא ב-ICML, וכך גם שיטת למידת-החיזוק "Soft Actor-Critic", שפותחה באוניברסיטת קליפורניה בברקלי. המעבדה שבה פותחה, Berkeley Artificial Intelligence Research (BAIR), הציגה אותה בבלוג שלה בדצמבר 2018 כעבודה משותפת של ברקלי וגוגל, שמאפשרת לרובוט אמיתי ללמוד משימות בתוך שעות. הדוגמאות האלה ממחישות שלמרות התדמית ה"אקדמית" יותר לכאורה של ICML לעומת יריד-הגיוס שהפך NeurIPS להיות, שני הכנסים ממשיכים לשמש זירת-פרסום ממשית למחקר שמעצב את התעשייה כולה, לא רק את האקדמיה.

הקשר ל-arXiv: מהגשה סגורה לפרסום-מוקדם ציבורי

כמו ב-NeurIPS, גם ב-ICML הכללים הרשמיים מתירים למחברים להעלות גרסה מוקדמת של המאמר ל-arXiv ואפילו להציג אותה בהרצאות, עוד בזמן שההגשה נמצאת בביקורת — כל עוד לא מפרסמים בפומבי שהמאמר "נמצא בבדיקה ב-ICML" עצמו. בפועל המשמעות היא שרוב המאמרים שמתקבלים לבסוף לכנס כבר היו זמינים בציבור חודשים לפני יום-ההכרעה הרשמי — כלומר הקהילה המקצועית קוראת, מצטטת ולעיתים אף בונה על-גביהם עוד לפני שעברו את מלוא תהליך-ביקורת-העמיתים של ICML. הדפוס הזה, המשותף גם ל-NeurIPS, ממחיש איך שני הכנסים ו-arXiv (ראו ערך נפרד) פועלים בפועל כשני שלבים של אותו תהליך-פרסום אחד ולא כשני עולמות נפרדים: arXiv נותן את המהירות, והכנסים נותנים את חותמת-האיכות המאוחרת יותר.