DmytroLopushanskyy/iclr2026-affiliations

来源: https://github.com/DmytroLopushanskyy/iclr2026-affiliations

ICLR 2026 — 机构归属数据集与分析

这是一个端到端的流水线，将 5,356 篇 ICLR 2026（https://openreview.net/group?id=ICLR.cc/2026）接收论文转化为一份干净的、从 PDF 提取的机构归属数据集，以及一张可直接发布的树图，展示当前谁在塑造人工智能研究。

该方法避免了 OpenReview 个人资料漂移问题（即作者的当前职位会出现在他们写过的每篇论文上——例如，一篇实际上是在 UBC 写的论文，却将怀俄明州列为所属机构）。归属信息来自论文标题块的 PDF，而非作者个人资料。

关注我获取更多此类分析，以及 AI 工程与研究的洞见：

• LinkedIn — linkedin.com/in/dmytrolopushanskyy (https://linkedin.com/in/dmytrolopushanskyy)
• GitHub — github.com/DmytroLopushanskyy (https://github.com/DmytroLopushanskyy)

如果此数据集或流水线对您的工作有帮助，一个关注或星标是鼓励我继续发布此类分析的最简单方式。

主要图表

ICLR 2026 排名前 50 的机构，按地区分组

每个矩形代表一个机构，其大小由该机构出现在其中的接收论文数量决定（每篇论文只计一次，无论该论文有多少位作者隶属于该机构）。地区单元格的大小由其排名前 50 机构的累计总数决定。浅色 = 学术界/研究机构，深色 = 工业界。

正方形版本（用于社交媒体）： charts/iclr2026_top50_treemap_unique_grouped_square.png

data/ 中的内容

iclr2026_public.csv 的列

快速开始

仅重新生成图表

bash git clone https://github.com/DmytroLopushanskyy/iclr2026-affiliations.git cd iclr2026-affiliations python3 -m venv .venv && source .venv/bin/activate pip install -r requirements.txt python3 make_iclr_treemap.py --source pdf

此命令读取 data/iclr2026_public.csv，并将树图 PNG/SVG 写入 charts/。

添加 --shape square 可获得 1:1 版本。添加 --source openreview 可对比仅使用 OpenReview 个人资料数据的版本（需要先运行爬虫）。

从头复现完整的流水线

仅当您想重新推导数据集（例如针对新会议）时才需要。网络时间约需 1–2 小时，PDF 缓存约需 5 GB 磁盘空间。

``bash

1. 爬取 OpenReview 元数据（需要账户）

export OPENREVIEW_USERNAME=… export OPENREVIEW_PASSWORD=… python3 scrape_openreview.py

→ data/iclr2026_accepted.

2. 下载所有接收论文的 PDF（约 5 GB；有速率限制；重试脚本处理 429 错误）

python3 download_missing_pdfs.py python3 retry_missing_pdfs.py # 处理首次遇到 429 的链接

3. 解析 PDF 并与 OpenReview 数据合并

python3 build_pdf_spreadsheet.py

→ data/iclr2026_accepted_pdf.{csv,xlsx} + data/pdf_parse_summary.txt

4. 构建公开 CSV（清洗 + LaTeX 转 Unicode + 规范名称）

python3 build_public_spreadsheet.py

→ data/iclr2026_public.

5. 渲染图表

python3 make_iclr_treemap.py –source pdf

→ charts/iclr2026_top50_treemap_*.

``

解析器工作原理

parse_pdf_affiliations.py 处理 ICLR 模板论文中常见的四种布局模式：

此外还有脚注文本过滤器，用于捕获并丢弃“Equal contribution”、“Corresponding author”、“Project lead”、“These authors contributed equally”——这些文本在过滤前曾泄露到机构字符串中。

结果：96% 的论文解析成功；其余 4% 回退到 OpenReview 个人资料数据（在 Affiliation_source 列中透明标记）。

方法选择简要说明

• 计数：每个机构每篇论文只计一次，无论列出了多少位作者。与 AI World NeurIPS 排行榜的规则相同。该仓库还生成了仅第一作者和分数 1/N 的变体用于敏感性分析。
• 规范化：约 250 条正则表达式规则将拼写/缩写变体合并（HKUST = Hong Kong University of Science and Technology = The Hong Kong University of Science and Technology 等）。图表前 50 名中的机构在所有三种计数方法下都是稳定的（参见 data/iclr2026_method_sensitivity.csv）。
• 地区分组：国家 → 17 个广泛区域用于树图。香港与中国大陆分开显示，因为香港大学在独立的高等教育体系下运作（不同的治理、教学语言，在 QS/THE 排名中单独列出）。

许可证

MIT。数据来源于公开的 OpenReview（https://openreview.net）投稿和 ICLR 2026 论文 PDF；如果在已发表作品中使用，请引用此仓库。

保持联系

如果您在此基础上构建了某些东西，请告知我——我始终对这类流水线的应用场景很感兴趣。如果您想要更多类似文章（研究工程深度解读、应用 AI 分析、我正在阅读的论文），最佳渠道是：

• LinkedIn — linkedin.com/in/dmytrolopushanskyy (https://linkedin.com/in/dmytrolopushanskyy)
• GitHub — github.com/DmytroLopushanskyy (https://github.com/DmytroLopushanskyy)

— Dmytro Lopushanskyy