雷锋网 AI 科技评论按：彼时，为期 7 天（6 月 9 日至 15 日）的 ICML 2019（国际机器学习大会）正在美国加州如火如荼地举行。据 ICML 2019 前不久公布的论文结果，今年大会共收到 3424 篇有效投稿论文，最终收录的论文数量为 774 篇，接收率为 22.6%。而今天，万众瞩目的 ICML 2019 最佳论文结果最新出炉，将会议推向了高潮。
（图片来源：Twitter 网友）
本届最佳论文共有 2 篇，分别是：
《挑战无监督解耦表示学习中的常见假设》，论文作者分别来自谷歌大脑、马克斯·普朗克学会（ Max-Planck-Gesellschaft ）以及苏黎世联邦理工学院（ETH Zurich）；
《稀疏变分高斯过程回归的收敛速度》，论文作者来自剑桥大学。
2 篇论文同获最佳论文奖
《挑战无监督解耦表示学习中的常见假设》
Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations
论文作者：Francesco Locatello, Stefan Bauer, Mario Lucic, Gunnar Rätsch, Sylvain Gelly, Bernhard Schölkopf, Olivier Bachem
论文下载地址：https://arxiv.org/abs/1811.12359
论文摘要：无监督解耦表示学习背后的关键思路是，真实世界的数据是由大量的变量解释因子生成的，而无监督学习算法可以对这些因子实现修复。在本论文中，我们严谨地回顾了该领域的最新进展，并对一些常见假设提出了异议。我们首先从理论上验证，如果模型和数据都没有归纳偏置，无监督解耦表示学习基本上是不可能实现的。之后，我们在 7 个不同的数据集上训练了 12000 多个模型，涵盖了可重复、大规模实验研究中最重要的方法和评估指标。我们发现，虽然不同的方法都成功地执行了由相应损失「鼓励」的属性，但是在无监督的情况下，这些方法似乎都无法识别出良好解耦的模型。除此之外，增加解耦似乎并不会降低下游任务学习的样本复杂度。而我们的研究结果最终表明，未来对于解耦学习的研究应该明确归纳偏见和（隐式）监督在其中所发挥的作用，探究强制学习到的表示解耦的明确利好，并考虑涵盖多个数据集的可重复的实验设置。
《稀疏变分高斯过程回归的收敛速度》
Rates of Convergence for Sparse Variational Gaussian Process Regression
论文作者：David R. Burt, Carl E. Rasmussen, Mark van der Wilk
论文下载地址：https://arxiv.org/abs/1903.03571
论文摘要：此前，我们对高斯过程后验提出了效果很不错的变分近似法，从而避免了数据集大小为 N 时，O(N3) 发生缩放。这些方法将计算成本降到了 O(NM2)，其中 M≤N 作为诱导概括高斯过程的变量的数值。虽然大小为 N 的数据集的计算成本几乎呈线性，但算法真正的复杂性取决于 M 如何增加以确保一定的近似质量。对此，我们通过描述 KL 向后发散的上界行为来解决这个问题，并证明了在高概率情况下，通过让 M 的增长速度慢于 N，从而使得 KL 的发散度可随意减小。其中一个特别受关注的案例是，具有 D 维度中正态分布输入为的回归，使用常用的平方指数核函数 M=O(logDN) 便足够了。我们的研究结果表明，随着数据集的增加，高斯过程后验可以真正近似地逼近，并为如何在连续学习场景中增加 M 提供了具体规则。
7 篇论文摘得提名奖
（图片来源：Twitter 网友）
同期，ICML 2019 也公布了 7 篇摘得提名奖（Honorable Mentions）的论文，分别如下：
《类比可解释性：趋向理解词嵌入》
Analogies Explained: Towards Understanding Word Embeddings
作者：Carl Allen，Timothy Hospedales
论文下载地址：https://arxiv.org/pdf/1901.09813.pdf
《SATNet：使用差分可满足性求解器来桥接深度学习和逻辑推理》
SATNet: Bridging deep learning and logical reasoning using a differentiable satisfiability solver
作者：Po-WeiWang，Priya L. Donti，Bryan Wilder，Zico Kolter
论文下载地址：https://arxiv.org/pdf/1905.12149.pdf
《深度神经网络中随机梯度噪声的尾指数分析》
A Tail-Index Analysis of Stochastic Gradient Noise in Deep Neural Networks
作者：Umut Şimşekli，L, event Sagun, Mert Gürbüzbalaban
论文下载地址：https://arxiv.org/pdf/1901.06053.pdf
《趋向随机傅里叶特征的统一分析》
Towards A Unified Analysis of Random Fourier Features
作者：Zhu Li，Jean-François Ton，Dino Oglic，Dino Sejdinovic
论文下载地址：https://arxiv.org/pdf/1806.09178.pdf
《分期偿还的蒙特卡罗积分》
Amortized Monte Carlo Integration
作者：Adam Golinski、Yee Whye Teh、Frank Wood、Tom Rainforth
论文下载地址：http://www.gatsby.ucl.ac.uk/~balaji/udl-camera-ready/UDL-12.pdf
《多智能体深度强化学习的内在动机的社会影响》
Social Influence as Intrinsic Motivation for Multi-Agent Deep Reinforcement Learning
作者：Natasha Jaques, Angeliki Lazaridou, Edward Hughes, Caglar Gulcehre, Pedro A. Ortega, DJ Strouse, Joel Z. Leibo, Nando de Freitas
论文下载地址：https://arxiv.org/pdf/1810.08647.pdf
《随机波束以及找到它们的地方：取样序列无需更换的 Gumbel-Top-k 方法》
Stochastic Beams and Where to Find Them: The Gumbel-Top-k Trick for Sampling Sequences Without Replacement
作者：Wouter Kool, Herke van Hoof, Max Welling
论文下载地址：https://arxiv.org/pdf/1903.06059.pdf
ICML 2019 霸榜玩家：谷歌
5 月中，我们在《ICML 2019 论文收录 TOP 榜单：清华领衔七家国内高校、企业登上榜单》一文中提到，谷歌在 reddit 网友根据 ICML 2019 论文收录名单统计出的几大 TOP 榜单中霸榜，让排名其后的研究机构们都望尘莫及：
在研究机构收录论文 TOP 榜单中，谷歌以 80+ 篇收录论文数量位列第一且遥遥领先于排在其之后的 MIT、加州大学伯克利分校、谷歌大脑、斯坦福大学、CMU 以及微软。另外在将工业界单拎出来的工业界研究机构收录论文 TOP榜单中，谷歌及其附属公司谷歌大脑、DeepMind 夺得前四席位，更是以压倒性优势拔得头筹。
在以唯一作者、第一作者身份被收录论文的作者 TOP 榜单中，来自谷歌的 Ashok Cutkosky 拿下了该榜单的第一名，在其被收录的 3 篇论文中，有 1 篇唯一作者被收录的论文、1 篇以第一作者被收录的论文。
在各研究机构相对贡献 TOP 榜单中，谷歌依旧独占鳌头，相对贡献接近 40，遥遥领先于其后的斯坦福大学、加州大学伯克利分校、MIT、CMU。
而如今最佳论文奖揭晓，则是为谷歌在本届 ICML 中所取得的佳绩再添了一层光辉！
#关于ICML你知道多少？点击链接加入ICML顶会交流小组告知我们吧~#
https://ai.yanxishe.com/page/meeting/75
今日资源推荐：
网友评论