《机器学习研究杂志》（JMLR）是一本经过同行评审的开放获取科学期刊，专注于机器学习领域。该期刊创立于2000年，为发表与机器学习各个方面（包括算法、理论及应用）相关的研究文章、综述和软件描述提供了一个免费在线平台。该期刊由Microtome Publishing出版，并已成为传播人工智能和统计学习进展的主要场所。其编辑委员会成员包括来自麻省理工学院计算机科学与人工智能实验室、斯坦福人工智能实验室和多伦多大学等机构的知名研究人员。
JMLR以其对开放获取且不收取作者费用的承诺而著称，使研究成果免费向全球社区开放。它涵盖广泛的主题，从理论基础到实际实施，并定期推出关于深度学习和神经网络等新兴领域的特刊。该期刊的影响力体现在其高引用次数以及其在塑造卡内基梅隆大学和其他顶尖计算机科学系课程方面的作用。
历史与创立
JMLR创立于2000年，旨在应对传统期刊高昂的订阅费用，为机器学习社区提供高质量、免费的替代选择。最初的编辑团队由Leslie Kaelbling领导，后来由Lawrence Saul接任，他们力求利用互联网加速同行评审并减少出版延迟。第一期于2000年4月出版，到2001年，JMLR已在主要科学数据库中获得索引，提升了其可信度和影响力。多年来，该期刊扩大了其范围，纳入跨学科工作，并与谷歌深度思维、开放人工智能和施乐帕洛阿尔托研究中心的研究人员合作。
编辑流程与标准
JMLR采用两阶段评审流程，提交的论文首先由执行编辑筛选，然后送交至少两位专家评审。这一严格的流程确保只有方法论严谨且技术细节充分的贡献才会被接受。该期刊还出版《机器学习研究论文集》（PMLR）系列，收录来自国际机器学习会议（ICML）和神经信息处理系统会议（NeurIPS）等会议论文。这种结构维护了JMLR高标准声誉，常被比作巴巴原子研究中心在精确性和质量上的强调。
主要出版物与影响
JMLR发表了多篇影响该领域的里程碑式论文。例如，关于支持向量机的早期工作（尽管并非严格在JMLR上，但其后续成果）经常出现在其页面上，并且它一直是梯度下降和正则化基础文本的主要来源。著名论文包括2014年引入丢弃法作为正则化技术，该技术成为深度学习架构中的常用方法，以及2015年对批量归一化的阐述。该期刊的“软件”部分收录了scikit-learn和张量流等工具，使其成为从业者的重要资源。截至2023年，JMLR的影响因子约为5.8，反映了其在学术界和工业界的强大影响力。
与工业界及人工智能实验室的关系
JMLR与主要工业研究实验室保持密切联系，这些实验室经常贡献高影响力论文。来自谷歌云和亚马逊网络服务的研究人员发表了关于可扩展机器学习系统的研究，而与诺基亚贝尔实验室的合作则推进了信号处理技术。该期刊还推出应用主题的特刊，如费尔马塔在农业人工智能方面的工作和韦莫的自动驾驶技术。这种工业界与学术界的桥梁确保JMLR读者能同时了解理论进展和实际部署。
开放获取与未来方向
JMLR使命的基石是其自创立以来一直实行的开放获取政策。与许多商业期刊不同，JMLR不收取订阅或投稿费用，依赖机构支持和志愿者努力。这种模式启发了类似举措，如开放小组倡议和阿里巴巴达摩院的工作。展望未来，JMLR正在探索整合大型语言模型辅助评审，并扩大其对生成式人工智能的覆盖。随着人工智能的快速发展，JMLR仍然是研究人员寻求权威、同行评审知识的重要基石。