2020/07/10 11:17

杜佳豪编辑

ICML论文录取难度逐年上升 New In ML为你特设“名师辅导班”

在去年NeurIPS大会上，一场旨在为AI新晋研究者提供特别指导的机器学习研讨会——New In ML首次举办并受到了广泛关注，会议共收到论文85篇，吸引了数百位AI学者积极参与，同时也让这些新人获得了与图灵奖得主等重量级导师交流学习的机会。今年，New In ML将在ICML 2020、NeurIPS 2020两大国际学术顶会上举办，帮助更多AI新人快速融入成长，推动机器学习的学术研究与发展。

国际机器学习顶级会议ICML（International Conference on Machine Learning）将于7月12-18日召开。作为机器学习领域全球最具影响力的学术会议，ICML今年特设一场“新人福利”机器学习研讨会——New In ML，作为ICML的官方环节之一。本次研讨会由国内AI公司第四范式和国际学术组织ChaLearn承办，将于ICML大会第二天（7月13日）在线上举行，北京时间于19:00开始。

研讨会邀请到了第四范式联合创始人、AAAI院士、IJCAI理事会主席杨强，香港科技大学教授张潼，Google Brain蒙特利尔主任研究员Nicolas Le Roux，斯坦福大学助理教授Chelsea Finn，DeepMind资深研究员、ICLR 2021 大会主席Shakir Mohamed，纽约大学助理教授Joan Bruna，德克萨斯大学奥斯汀分校助理教授Sinead Williamson等国际顶尖学者，和新人们分享经验以及畅谈AI路上的各种“坑”。此外，大会核心组织者还包括前NeurIPS大会主席、ChaLearn创始人Isabelle Guyon，前NeurIPS大会主席、Google Brain资深研究员Samy Bengio，Amazon首席应用科学家、ICML Newcomers主席Matthias Seegar，第四范式主任科学家、ChaLearn理事会成员涂威威等。

随着人工智能在全球范围的热度不断增加，AI人才已经成为全世界最稀缺、最宝贵的财富之一，这吸引了越来越多的新人加入到机器学习的研究队伍中，顶会的投稿数量逐年增多，竞争愈发激烈。但由于缺乏专业导师指导，新人们在研究方向、实验、论文写作等方面面临诸多挑战，在一定程度上影响了新人的学术成果，以ICML为例，录用率已经连续四年下降。

新人的成长速度成为业内共同关注的问题，为了解决机器学习初学者的各项困惑，同时让国际顶会对新手投稿人更加友好，第四范式与ChaLearn特别启动了New In ML研讨会，定位于Group Session for Newcomers to Machine Learning，邀请导师团在顶会上分享他们在机器学习会议上的经验，并在研究思路、研究领域、论文写作、职业发展等方面提供全面指导与建议。

New In ML@ICML 2020会议日程
以下均为UTC时间，北京时间于19:00开始

New In ML@NeurIPS 2020论文通道
New In ML@ICML研讨会召开在即，New In ML@NeurIPS 2020也将正式开启论文接收通道。

New In ML @NeurIPS 2020 CFP：

要求各位作者提交关于NeurIPS主会论文格式，论文长度最长8页不得少于4页，不包括reference。

具体格式要求可参考：

https://nips.cc/Conferences/2020/CallForPapers

论文提交地址：

接收地址将在官网上公布

欢迎所有与机器学习相关的主题。包括但不限于：

·对抗性机器学习

·自动机器学习

·贝叶斯机器学习

·因果推理

·深度学习理论

·深度学习可解释性

·公平与差别隐私

·图神经网络

·元学习法

·强化学习

被接收的论文将由导师团进行评审，并在研讨会上获得演讲或海报展示。被本次研讨会录用的论文非NeurIPS 2020官方论文，所有这些论文可以与导师合作完善并投稿到NeurIPS 2021，ICML 2021等其他会议。

想要获取New In ML更多信息？

点击链接进入2020 ICML官方网站：

https://icml.cc/Conferences/2020/Schedule?showEvent=7089；

或是进入New In ML官方页面：

https://nehzux.github.io/NewInML2020ICML/

产业

相关技术

自动化机器学习随机梯度下降迁移学习

杨强人物

杨强现任香港科技大学新明工程学讲席教授、计算机科学和工程学系主任，大数据研究所所长。他是人工智能研究的国际专家和领军人物，在学术界和工业界做出了杰出的服务和贡献，尤其近些年为中国人工智能(AI)和数据挖掘(KDD)的发展起了重要引导和推动作用。

来源：百度百科 Yang, Q.

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

因果推理技术

基于因果关系的一类推理方法，是一种常见推理模式，涉及观察到的共同效应的原因的概率依赖性。

来源：Intercausal reasoning with uninstantiated ancestor nodes

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

元学习技术

元学习是机器学习的一个子领域，是将自动学习算法应用于机器学习实验的元数据上。现在的 AI 系统可以通过大量时间和经验从头学习一项复杂技能。但是，我们如果想使智能体掌握多种技能、适应多种环境，则不应该从头开始在每一个环境中训练每一项技能，而是需要智能体通过对以往经验的再利用来学习如何学习多项新任务，因此我们不应该独立地训练每一个新任务。这种学习如何学习的方法，又叫元学习（meta-learning），是通往可持续学习多项新任务的多面智能体的必经之路。

来源：机器之心

图神经网络技术

图网络即可以在社交网络或其它基于图形数据上运行的一般深度学习架构，它是一种基于图结构的广义神经网络。图网络一般是将底层图形作为计算图，并通过在整张图上传递、转换和聚合节点特征信息，从而学习神经网络基元以生成单节点嵌入向量。生成的节点嵌入向量可作为任何可微预测层的输入，并用于节点分类或预测节点之间的连接，完整的模型可以通过端到端的方式训练。

来源：机器之心

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。

来源：机器之心

港科大机构

香港科技大学（The Hong Kong University of Science and Technology），位于中国香港，简称港科大（HKUST），为环太平洋大学联盟、全球大学校长论坛、东亚研究型大学协会、亚洲大学联盟、中国大学校长联谊会重要成员，并获AACSB和EQUIS双重认证，是一所亚洲顶尖、国际知名的研究型大学。该校以科技和商业管理为主、人文及社会科学并重，尤以商科和工科见长。截至2019年9月，学校设有理学院、工学院、工商管理学院、人文社会科学学院等4个学院及跨学科课程事务处；校园占地超过900亩，有教员697人，各类学生16054人，其中本科生10148人，研究生5906人。

https://hkust.edu.hk/