ICLR 2019论文接收结果揭晓:24篇oral论文有没有你?

不久之前,ICLR 2019 的论文评审结果出炉,评审们已经在论文的 openreview 页面公布了他们的评论和分数。今日,ICLR 2019 官方 Twitter 宣布接受论文结果公布。如果你的论文上榜了,祝贺!

ICLR 2019 将于明年 5 月 6 日-9 日在美国新奥尔良举行,今年 9 月 27 日下午 18 时,大会论文提交截止。据统计,ICLR 2019 共收到 1591 篇论文投稿,相比去年的 996 篇增长了 60%。今日大会公开了论文接收名单,oral 论文 24 篇,poster 论文 476 篇。

接收论文地址:https://openreview.net/group?id=ICLR.cc/2019/Conference

在今年的 ICLR 论文中,强化学习和 GAN 依然是两大热门研究领域。对比去年的统计,除了前两者,无监督学习、生成模型、优化和表征学习也依然是最受关注的课题。

ICLR 2019 论文统计

此外,ICLR 的所有论文评分都已经更新,目前评分前六的论文如下所示:

而此前备受关注的 BigGAN在评分榜中位列第六。

读者可通过该评分统计项目查阅更多排名:https://chillee.github.io/OpenReviewExplorer/index.html?conf=iclr2019

Oral 论文列表:

值得一提的是,NeurIPS 2018 最佳论文获得者多伦多大学陈天琦等人所著论文《Scalable Reversible Generative Models with Free-form Continuous Dynamics》、Petuum 联合创始人&CEO 邢波等人的论文《Learning Robust Representations by Projecting Superficial Statistics Out》、Yoshua Bengio 等人的论文《Learning deep representations by mutual information estimation and maximization》均入围本届 ICLR 的 oral 论文。

产业Yoshua Bengio邢波BigGAN学术会议ICLR 2019
2
相关数据
Petuum机构

Petuum is a software infrastructure and ecosystem provider that enables AI for enterprise. Petuum’s operating system gives users a single platform to build any Machine Learning or Deep Learning application using large amounts of data, and deploy it at scale on any hardware – such as workstations, datacenters, the internet of things, and edge computing.The Petuum development platform and gallery of AI building blocks work with any programming language and any type of data, allowing managers and analysts to quickly build AI applications without any coding, while engineers and coders can further re-program applications as needed. With Petuum, many AI applications and hardware can be created and managed from a single laptop or terminal, driving higher productivity, better service, lower costs, and faster delivery. By standardizing AI solutions, Petuum lowers the barrier to AI adoption and allows for the integration of AI into every industry.

https://www.petuum.com/
邢波人物

卡内基梅隆大学计算机科学学院教授,机器学习系副主任,专攻机器学习、计算生物学和统计方法等方向。他与合作者开发了Petuum平台,利用工作站、分布式计算机、移动设备或嵌入式设备来解决大型机器学习的问题。2016年11月,邢波创立Petuum公司,担任CEO和首席科学家。

表征学习技术

在机器学习领域,表征学习(或特征学习)是一种将原始数据转换成为能够被机器学习有效开发的一种技术的集合。在特征学习算法出现之前,机器学习研究人员需要利用手动特征工程(manual feature learning)等技术从原始数据的领域知识(domain knowledge)建立特征,然后再部署相关的机器学习算法。虽然手动特征工程对于应用机器学习很有效,但它同时也是很困难、很昂贵、很耗时、并依赖于强大专业知识。特征学习弥补了这一点,它使得机器不仅能学习到数据的特征,并能利用这些特征来完成一个具体的任务。

生成模型技术

在概率统计理论中, 生成模型是指能够随机生成观测数据的模型,尤其是在给定某些隐含参数的条件下。 它给观测值和标注数据序列指定一个联合概率分布。 在机器学习中,生成模型可以用来直接对数据建模(例如根据某个变量的概率密度函数进行数据采样),也可以用来建立变量间的条件概率分布。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~