0
| 本文作者： 張馳 | 2017-08-01 18:45 | 專題：ICML 2017 |
ICML是國際頂級的機器學習會議，它與NIPS一起，是機器學習與人工智能研究領域影響力極高的兩個主要會議。今年的ICML將于8月6-11日在澳大利亞悉尼召開，屆時雷鋒網也將前往現場進行報道。
早在5月時，ICML 2017被接受的論文就已經公布了。今年的ICML收到了創紀錄的1676篇論文，434篇被接受（也創下了新紀錄）。OpenAI的研究科學家Andrej Karpathy對這些論文作了分析，并發現了一些有趣的事。
根據分析，所有論文中共出現了961個機構名稱，其中420個只出現了一次。論文數前30名的機構如下：
統計中Google和微軟的論文數排在了前兩名，CMU排第三。需要注意的是，統計中Google、Google公司、Google大腦和Google Research都屬于一個類別，同樣的還有斯坦福和斯坦福大學。一篇論文中多個人屬于同一機構時會合并。
從這些統計中也可以看出，工業界發表的論文占了不小的比例。Karpathy統計了一些比較知名的工業界實驗室的論文狀況，比如DeepMind、Google、微軟、Facebook、IBM、迪士尼、亞馬遜和Adobe，發現他們的論文占論文總數的14％。而如果算上其它不太知名業界公司的論文，他認為約20-25％的論文有公司參與。也就是說，ICML 2017的論文中約四分之三是完全來自學術界。
另外，由于DeepMind和Google可以算一家，加在一起它們共參與60篇論文，占總論文的6.3％。
逐年分析這些論文可以發現，在2011年時很少有工業界研究出現在ICML上。而現在公司的參與有了很顯著的提高。不過學術界仍然做得很好，貢獻了很大一部分論文。
以第一作者身份論文被接受最多的是一位中國研究者朱澤園，他有5篇論文被接受。他如今在北美的微軟研究院工作。
對第一作者所在機構進行統計，排名前五的是CMU（25），Google（19），DeepMind（15），MIT（14）和UCB（14），可見Google的實力。微軟研究院以10篇排在第七。
純數量統計并不能反應真實的研究狀況，一個更重要的指標或許是論文被引用的情況，畢竟論文不是生來平等的。工業界與學術界內容被引用的情況如何，這點還沒有統計。
ICML也也是窺見機器學習最新趨勢的途徑之一。深度學習當然是重要的內容，但雷鋒網檢索標題發現，只有6篇文章含這一關鍵詞。其它出現頻率較高的研究領域還有：強化學習，隨機及高斯過程，嵌入（embeddings），貝葉斯優化，AutoML（用機器學習探索神經網絡架構）等。
除了論文，ICML上最受關注的要屬每天的主題演講了。今年大會安排了四場主題演講，涵蓋了AI的前沿、應用和社會影響等方面。
牛津大學Peter Donnelly
他演講的主題是：基因組學、大數據與機器學習：理解生命圖普，推動醫療革命。演講會通過具體的例子來說明，將機器學習和其他推理工具應用于基因組數據的機會和挑戰。
Donnelly是維康信托中心人類遺傳學研究室主任和牛津大學統計學教授，以及Genomics Plc公司CEO。他是牛津大學博士，曾任倫敦大學和芝加哥大學教授。他的早期研究工作涉及人口遺傳學隨機模型的開發，后來逐漸開發研究遺傳和基因組數據統計方法。他和團隊開發了多種廣泛使用的統計算法，包括STRUCTURE和PHASE。他還領導了一個名為wWGS500的項目，在其中牛津大學與Illumina合作，對500名具有一系列臨床條件的個體進行測序，以評估臨床醫學中全基因組測序的短期潛力，這一項目也是NHS 100000基因組計劃的前身。
過去10多年，基因測序的成本呈指數級下降，而未來10多年，或許會有近10億人進行基因測序。海量的基因數據與個人的病歷信息和可穿戴設備信息的結合，將顯著提高我們評估個體健康風險、預測健康狀況以及做出個性化治療的能力。
哈佛大學Latanya Sweeney
她的演講主題是：AI設計者如何影響公民生活
作為哈佛大學政府和技術學院教授，Sweeney的使命是開發和運用技術，來評估和解決社會、政治和管理問題。她的重點研究領域是技術對人類的影響，她本人還是Technology Science總編輯 。她對數據隱私也很感興趣，是哈佛數據隱私實驗室主任。
她認為，技術設計者（Technology designer）是新的決策者。雖然他們沒有經過選舉，而且大多數人不知道他們的名字，但正是他們開發工具和創新時做出的決定，影響了那些能規范我們日常生活的代碼。 隱私和安全是新技術的第一個挑戰，而隨著技術的進步，生活的方方面面都會被重新定義。
DeepMind的Raia Hadsell
她的演講主題是：邁向現實世界的加強學習
她是DeepMind的高級研究科學家，在深度學習和機器人領域有10多年研究經驗。她早期的研究與用暹羅網絡進行多學科學習有關，這可以用于不變特征學習。她的博士導師是Yann LeCun，后來加入CMU的機器人研究所，以及SRI International。她在2014年初加入了DeepMind，開始研究通用人工智能。她目前的研究側重于AI代理和機器人系統持續學習的挑戰。
深度強化學習已經迅速發展成為頗具潛力的人工智能研究領域，大量的雅達利游戲也被用于許多基礎開發的主要基準。隨著研究的成熟，更重要的是開發復雜的學習系統，以解決更復雜的任務。她屆時會介紹DeepMind的最近研究，這些研究與在現實世界和具有復雜任務結構的挑戰性環境中進行端到端學習有關。
馬克斯·普朗克智能系統研究所Bernhard Sch?lkopf
他的演講主題是：因果學習。
Sch?lkopf的主要研究領域是機器學習和因果推理。他將研究應用于許多不同的領域，比如生物醫學問題、計算攝影和天文學。他曾在AT＆T貝爾實驗室和英國的微軟研究院工作。他是德國科學院的成員，獲得過國際模式識別協會的J.K. Aggarwal獎。
在機器學習中，會使用數據來自動尋找依賴關系，目的是對未來進行預測。大多數機器學習方法都建立在統計學上，當然也可以進一步分析數據在統計依賴性后的因果結構。Sch?lkopf認為，這樣的因果知識可以幫助在機器學習任務中做出預測。他在演講中也會提到因果模型對機器學習任務的影響，如遷移學習和半監督學習。
雷鋒網將在現場帶來ICML 2017的即時報道，敬請關注我們的后續文章。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
