Edición 2025 de ICLR. Mismo formato que 2024, dataset todavía mayor: la API expone 11.672 envíos y 5.019 rechazos. Permite ver cómo evolucionan las preocupaciones de los revisores año a año.
Puntuaciones que dieron los revisores en sus revisiones.
Decisiones del comité
Cómo se reparten las decisiones finales sobre los envíos visibles.
Reject57,5 %
Accept (Poster)35,7 %
Accept (Spotlight)4,4 %
Accept (Oral)2,4 %
Mapa de debilidades
Cada barra es un patrón recurrente que aparece en las revisiones de papers rechazados. La anchura representa cuánto pesa ese patrón sobre el total de críticas analizadas.
Definiciones y evaluación poco delimitadas30,2 %1235
Algoritmos y ecuaciones poco claras18,8 %767
Contribución central poco articulada12,2 %500
Método incremental9,1 %372
Resultados experimentales mal presentados6,9 %284
Posicionamiento y escritura5,5 %226
Dependencia de datos sintéticos o caros5,1 %209
Coste computacional ignorado4,8 %196
Erratas tipográficas3,7 %152
Figuras inconsistentes3,6 %148
Patrones, uno a uno
Ordenados por peso. Para cada patrón mostramos qué representa, cómo lo formulan los revisores y un aprendizaje práctico que puedes aplicar antes de enviar tu próximo paper.
#01
Definiciones y evaluación poco delimitadas
27,7 %del total1235 items
Cluster grande y heterogéneo. Mezcla quejas sobre conceptos del paper que no quedan claramente definidos (qué es exactamente una `escena`, una `tarea`, un `entorno`) con dudas sobre si la evaluación cubre lo que se promete.
**Unclear Definition and Scope of "Scene"**: The paper does not clearly define what constitutes a `scene` in the context of user behavior modeling. While scenes are described as features, the boundary between scenes is fuzzy.
The evaluation does not match the claims of the introduction. The introduction promises generalization across domains; the experiments only test in-domain.
Several modeling choices (loss weights, normalisation, augmentation) are described in passing without justification.
Aprendizaje práctico. En la introducción incluye un párrafo de definiciones operativas: cada término clave de tu paper, con una frase. Si no puedes hacerlo, refina la idea antes de redactar.
#02
Algoritmos y ecuaciones poco claras
17,2 %del total767 items
El revisor entiende la idea de alto nivel pero no consigue reconstruir lo que el paper hace en concreto: ecuaciones que faltan, algoritmos que omiten pasos, profundidad técnica insuficiente.
authorsalgorithmeqequationuncleardoesdefinedstep
Cómo lo dicen los revisores
Unfortunately, the paper is lacking in technical depth. The idea and its implementation seem straightforward to me, and the results are unsurprising — so I find the mathematical content insufficient.
Algorithm 1 omits the update rule for the auxiliary buffer. Without it the reader cannot reproduce the experiments.
Eq. (5) introduces a notation that is reused with a different meaning in Eq. (12).
Aprendizaje práctico. Si tu método es reproducible, demuéstralo: pseudocódigo en el cuerpo, no solo en apéndice, y todos los hyperparámetros referenciados con sus valores por defecto.
#03
Contribución central poco articulada
11,2 %del total500 items
El paper no formula una contribución única que el lector pueda llevarse en una frase. Aparece la queja `the main contribution is not clear` o el reviewer admite que el tema queda fuera de su área porque ni siquiera puede situarlo.
The main contribution of this paper is unclear to me. There seem to be three independent ideas, none of which is fully developed.
I find the paper interesting but I'm not sure what the central claim is.
The introduction lists four contributions, but Section 3 develops only one of them.
Aprendizaje práctico. El test de la nevera: si pones tu paper en la puerta de la nevera durante una semana, ¿lo recordarías por una idea concreta o por `algo de embeddings`? Si es lo segundo, refina el lead.
#04
Método incremental
8,4 %del total372 items
El método propuesto es razonable pero los revisores ven una combinación de partes existentes en lugar de una idea diferenciadora. Aparece `straightforward`, `incremental` o `simple combination`.
**The proposed method**. Although the authors give a good and novel assumption, the proposed methods seems simple and incremental without insightful design.
The method is essentially A + B with minor adjustments. The paper would benefit from arguing why the combination is non-trivial.
Conceptually the contribution feels small; the engineering work is substantial but the reader is left wondering about the take-away idea.
Aprendizaje práctico. Si tu método es genuinamente novedoso, dedica un párrafo a explicar por qué la combinación es no-trivial. Si es incremental, plantéalo como engineering and validation y mide bien el coste-beneficio.
#05
Resultados experimentales mal presentados
6,4 %del total284 items
Las tablas son densas y poco legibles, los resultados se reportan sin separación clara entre lo importante y lo accesorio, faltan métricas de error o contexto comparativo.
It is hard to interpret the experimental results as the tables are full of numbers. The authors may wish to present the results for one length and relegate the rest to the appendix.
Table 3 lists eight columns of results without confidence intervals; it is impossible to tell which differences are significant.
The headline number is buried in the middle of a multi-page table.
Aprendizaje práctico. Una sola tabla principal con la métrica clave en la primera columna. Los detalles, al apéndice. El revisor no debería tener que buscar tu resultado titular.
#06
Posicionamiento y escritura
5,1 %del total226 items
Mezcla de problemas de redacción con falta de conexión a related work. Algunos reviewers señalan paráfrasis casi-textuales de papers anteriores; otros piden reorganizar la sección de contexto.
**Section 3.2** is almost a verbatim copy of Section 2.2 (EFO-1 Queries and Answers) from the FIT paper.
Related work reads as a list of citations rather than a comparison; reorganise by axis (data, model, evaluation).
The novelty argument depends on contrasts the related-work section never makes explicit.
Aprendizaje práctico. Si reescribes una explicación de otro paper, cita y entrecomilla. Si tu sección de related work es una lista cronológica, transfórmala en una comparación temática.
#07
Dependencia de datos sintéticos o caros
4,7 %del total209 items
El método solo funciona con datos generados por simulación, datos sintéticos limpios o datasets caros de obtener. Los revisores se preguntan si la propuesta sobrevive con datos del mundo real.
Relies on large eddy simulation (LES) data for optimal results, which, while cheaper than DNS data, still adds to the data requirements and may not always be available.
All experiments use synthetically generated distribution shifts. The robustness to natural shifts is not tested.
Training requires paired data that is not realistic to collect at scale.
Aprendizaje práctico. Una sección dedicada a `requisitos de datos`: cuánto, de qué calidad, con qué coste. Si tu método es viable solo con datos perfectos, declara la limitación con claridad.
#08
Coste computacional ignorado
4,4 %del total196 items
El método introduce operaciones costosas (SVD por capa, second-order, atención cuadrática) y los revisores señalan que el coste no está cuantificado ni comparado con alternativas más eficientes.
The computational cost introduced by performing singular value decomposition on layer gradients has not been adequately assessed.
Training time and memory are not reported. For a method that adds a per-step optimisation, this is the key axis.
Scaling behaviour with model size is not discussed.
Aprendizaje práctico. Una columna `tiempo por iteración` o `FLOPs` en tu tabla principal. Si pierdes en esa dimensión, declara explícitamente que vale la pena por X.
#09
Erratas tipográficas
3,4 %del total152 items
Errores de detalle: typos, símbolos sin definir, líneas concretas con el carácter equivocado. No matan un paper aceptable, pero erosionan la confianza en el resto.
linetypodefinedtypo linemathbfmeanfixshould
Cómo lo dicen los revisores
Line 427 "integrogate" should be interrogate
$\mathbf{x}$ is used in Eq. (3) but never defined.
Algorithm 1, line 5: the index should be t-1, not t.
Aprendizaje práctico. Una pasada solo de typos en los últimos dos días antes del deadline. Es trabajo aburrido y de altísimo retorno.
#10
Figuras inconsistentes
3,3 %del total148 items
Colores que cambian entre figuras, leyendas que faltan, captions que no auto-explican, ejes sin unidades. Pequeños fallos que rompen la lectura visual del paper.
The y-axis of Figure 6 has no units; readers have to look at the body text to interpret it.
Aprendizaje práctico. Una paleta de colores fija para todo el paper, ligada a entidades (no a posiciones en una figura). Caption auto-contenido. Unidades en los ejes siempre.