5.3 KiB
NeurIPS 官方节目元数据
paper-atlas collect neurips-program 是按需运行的采集器，当前核验范围是 2026 年的官方 orals/posters JSON。它只请求这个固定公开元数据文件，不连接数据库，不请求 OpenReview API，不下载 PDF、视频或个人资料页。模块位于 paper_atlas.collectors.neurips_program，通过统一 CLI 使用。
已核验快照
2026-11-09T17:57:40Z 冻结的原始响应共 20,447,021 字节，SHA256 879293a863057fa05370443b3b5ddee12a10eeb37c810abc6c1d53f71f545997。原始 count=9276 与结果数组长度一致，next、previous 均为空；这只证明此份公开文件已完整取得，不是全部会议出版物或公开拒稿全集。
按官方逐条 sourceurl 中的明确投稿来源分开处理：
| 原始 OpenReview group | 数据库 track | 不同 forum 数 |
|---|---|---|
NeurIPS.cc/2026/Conference |
main |
7896 |
NeurIPS.cc/2026/Evaluations_and_Datasets_Track |
evaluations_datasets |
971 |
NeurIPS.cc/2026/Position_Paper_Track |
position |
137 |
| 合计 | 9004 |
只接受已核验的显式 Accept、Accept (poster/spotlight/oral) 标签，保留原始大小写和文本。未知来源、决定、展示类型、可见性或无法验证的 forum 链接进入 held_presentations，不推成 accepted 或 rejected。空标题、缺少作者、相同 event ID 不同内容、同一 forum 的题名/作者/来源/决定冲突会停止采集。
原 9276 行中，event 154866 有一条内容完全相同的重复行，单独保留其原始行号；另外 132 个口头展示与同 forum 的海报合并为一条投稿候选，完整保留两种展示及时间、场次、原始带符号 sourceid。负数 sourceid 不能被解释为拒稿或另一次投稿，也不转换为全局论文标识。
其余 139 行单独留档：87 个期刊展示、36 个 Bridging the Future 展示、16 个未提供明确投稿来源的条目。这些不因缺少链接而被推为拒稿，也不能被冒充为独立主会审稿录用。后续须核实原期刊发表、认证、复现或其他展示关系。
9004 条是不同 forum 的来源记录，不是已经新增 9004 篇独立科学论文。不同 forum 即使题名和作者相同也保留各自投稿；跨会及版本关系另行核验。题名、完整作者顺序和机构取自原始 JSON，口头与海报不是研究类型；展示标签独立使用 neurips_program:presentation_format namespace。节目中的未来展示时间不冒充决定时间。
运行与恢复
在线模式只请求一个固定元数据 URL，并复用受限大小的响应缓存：
paper-atlas collect neurips-program \
--cache /data/paper-index/cache/neurips2026-program \
--out /data/paper-index/collected/neurips2026-program-YYYYMMDD
冻结模式只读 receipts.json 对应的原始文件：
paper-atlas collect neurips-program \
--snapshots /data/paper-index/collected/neurips2026-program-probe-v1 \
--out /data/paper-index/collected/neurips2026-program-normalized-v1
快照回执包含精确 url、相对 file、bytes、sha256、status=200 和带时区的 finished_at。拒绝越界路径/符号链接、重复回执、失败响应、大小或哈希不符。在线模式沿用项目 HTTP 缓存和限速，验证回执时间后保存原始 JSON。输出目录有互斥锁，完成报告最后发布；已有完成报告时要求新建输出目录，避免覆盖后误重放。
输出三个 track 的 JSONL/manifest、原始 JSON 证据和 neurips-program-2026.json。manifest 始终为 partial；原始节目 JSON 没有摘要，9004 条 abstract=null 和缺失原因如实保存，不能用别篇摘要填充。命令终端只输出数量与路径，完整待处理展示与原始行号在报告中。
恢复时先校验文件和回执，使用同一完整快照生成新输出；若已有完成报告或导入回执，先核实实际来源绑定和 checkpoint，不重放已消费队列。生成文件后还需 PostgreSQL 身份预检、关联审核、增量队列、原生导入和独立验收；源文件成功、CI 通过均不能替代生产导入或最终全库去重。
目录差异与公开拒稿限制
同期官网 Downloads 页面的活动总数不是本 JSON 的论文总数。逐个 poster ID/题名对照后，网页另有 event 155165（Lemon）未出现在本 JSON 中，须单独取得并审核元数据，不能补造其 track 或 forum。16 个未提供来源的条目在 JSON 中使用通用 session URL，而网页有各自 poster URL；原值保留，不能因 URL 映射差异制造新论文。
2026 Main Track Handbook明确允许 rejected 作者选择公开。当前无账号公开 notes API 请求返回 ChallengeRequiredError、HTTP 403，失败原文和回执保留，不绕过验证；因此不能把本 accepted 节目文件当作拒稿数据源或据此推断拒稿是否存在。官网下载表单的 JSON 导出也曾超时，未取得导出内容，已改用独立公开静态节目文件并保留失败证据，不重试超时导出。
当前主动补漏范围从 2020 年起。期刊/展示关系、网页独有条目、摘要和公开负面决定仍有待办；冻结资料和代码适配不代表完整会议覆盖。