Reddit最火！55页博士笔记总结ICLR 2019大会干货

---

  新智元报道   

来源：David Abel

编辑：元子

【新智元导读】ICLR 2019共收到1591篇论文，录取率为31.7%。这篇55页、由布朗大学博士四年级学生David Abel总结整理的ICLR 2019参会Highlights笔记，提炼了演讲和会谈亮点，通篇干货！

作为今年上半年表现最为亮眼的人工智能顶会，ICLR 2019于5月6日至9日在美国新奥尔良举行。本届投稿比去年增长了近60%，共收到1591篇，录取率为31.7%。

与往年一样，本次大会每天分上午下午两场。每场形式基本一样，先是邀请演讲（invited talk），然后是讨论，也就是被选为能够进行口头发表（Oral）的论文、茶歇、海报展示（poster）。

邀请演讲列表：

8个邀请演讲主题：

1. Cynthia Dwork：算法公平性的进展

2. Leon Bottou：Learning Representations Using Causal Invariance

3. Emily Shuckburgh：机器学习能否有助于地球健康的检查

4. Ian Goodfellow：对抗机器学习

5. Pierre-Yves Oudeyer：发展自主学习：人工智能，认知科学和教育技术

6. Zeynep Tufekci：虽然我们都担心机器学习的失败，但如果它成功了，潜伏着什么危险？

7. Mirella Lapata：用神经模型学习自然语言界面

8. Noah Goodman：在上下文中学习语言

Criteo AI Lab给出的ICLR 2019提交的研究课题热度：

今天，人工智能领域最为重要的学术会议之一IJCAI也公布了最终论文接收结果。IJCAI 2019共收到有效提交论文4752篇，比去年多了近1300篇，接收850篇，接受率为17.9%，相比去年有所下降。主办方感慨今年论文提交数量确实多：

论文收录结果出炉后，被收录的自然纷纷晒出自己的收录通知；而另一边，落选者也表达了自己的遗憾之情。

那么ICLR 2019会场都有谁上台演讲了？他们都讲了什么？下面新智元为大家带来一份55页的ICLR 2019会议的Highlights笔记，由布朗大学博士四年级学生David Abel总结整理，通篇干货。

David个人主页：

https://david-abel.github.io/

这份笔记共分为3个部分，首先简单介绍了大会的亮点；接着介绍了第一天的算法公平性演讲和一些Workshop；后面主会部分提炼了部分演讲和会谈的亮点。

ICLR亮点：深度学习局限引争论，元学习、图神经网络最热门

最近围绕Rich Sutton的一篇《痛苦的教训》引发很多讨论，也在本次会议上进行了辩论。SPiRL研讨会2的小组讨论也有很多关于这个主题的见解，SPiRL研讨会非常出色。演讲者阵容，演讲和小组都很特别。

比较热门的话题有元学习，非常受欢迎，特别是meta RL；还有图神经网络。

David表示笔记中涉及到的演讲都是他最喜欢的，并特别提出了在RL中学习抽象/层次结构的一些非常好的论文，包括Nachum等人的“Near-Optimal Representation Learning for Hierarchical Reinforcement Learning”；Levy等人的“Learning Multi-Level Hierarchies with Hindsight”；Koul等人的“Learning Finite State Representations of Recurrent Policy Networks”。

下面新智元为大家介绍其中部分Keynote内容，文末负有完整笔记PDF文档供大家下载。

主旨演讲1：当前算法公平性的进展

算法公平性的议题早在9年前就被提出来了，今年是微软杰出科学家Cynthia Dwork在这个领域持续研究的第八年。她观察发现，算法对我们某些经历的控制越来越严重，比如我们网上观看的广告、申请贷款的资质、选择大学等等。如此一来，算法的公平性就显得尤为重要，尤其是对算法越来越依赖的今天。

在Keynote中，Cynthia Dwork提出两个观点：

1. 算方是不公平的，数据不具备代表性，标签会体现出偏见

2. 算法能够对我们的生活起到非常大的改变。举例：

• 房屋按揭条款

• 拘留/释放

• 药物和健康

• 决定一个孩子是否被从家中送走

很多论文都提到被上述例子震惊到：没想到算法对我们的影响如此之大。

接着Dwork给出了算法公平性需要满足两个定义，首先是群体公平性；其次是个体公平性。

什么是群体公平性呢？举个例子，学生入学的资格应该是平等的；或者，优秀班级和差的班级应该达成一种平衡。

个体公平性指的是在给定的分类任务方面，相似的人应该得到类似的对待。

Dwork提出实现算法公平性的几点尝试，例如可以通过汇总从少数代表获得的近似值来实现视差，弥合群体与个人公平性之间代沟等。

主旨演讲2：利用机器学习对地球健康进行检查

气候学家Emily Shuckburgh提到，地球上二氧化碳浓度增长迅猛。

最近一项关于生物多样性的研究表示，在接下来的几十年中，将会有100万种物种面临灭绝的危险。那么机器学习在地球健康检查中，能够起到哪些作用呢？

Emily Shuckburgh指出，我们现在迫切需要了解有关气候风险的可操作信息，以及从自然灾害（例如洪水、干旱等）、生物多样性变化导致的影响、生物链和自然世界（例如珊瑚礁，森林，北极海冰，永久冻土等）中发现潜在的风险和结果。

目前在地球气候变化方面，我们有大量可用数据，包括来自卫星、水下探测机器人设备、探测器网络、电脑的模拟环境以及众包。这些数据的数量，远远超出了我们人类的处理能力。

Emily Shuckburgh认为机器学习可以在从3个方面提供行星健康检查，分别是：对行星进行监控、找出症结并进行治疗。

主旨演讲3：利用AI研究儿童学习行为

法国国家信息与自动化研究所（Inria）的AI研究员Pierre-Yves Oudeyer提到，孩子是非凡的学习者！不需要工程师监督他们，手动调整他们的学习算法和环境的每个方面。

儿童行为的研究，可以为以下3个领域提供指导：

1. 认知科学：理解人类发展和学习

2. 机器人：终身和自主学习的新理论

3. 在教育技术中的应用

Oudeyer举了3个例子：

1. 在机器人中设计运动和感知原始物的形态学，身体生长和成熟的研究

2. 考虑语言习得，例如孩子们可以很快学会新语言

3. 内在动机，游戏和好奇心

主旨演讲4：机器学习威胁论

科技社会学家Zeynep Tufekci提到科学是一把双刃剑，比如很多人从小想当物理学家，结果许多物理学家遇到了核武器的问题，科学领域进步面临大规模道德问题。

最近在欧洲核子研究中心，700人担心如何分配诺贝尔奖；与此同时在计算机科学领域，我们担心我们的工具会对社会、安全、劳动力、气候、社会基础设施等的影响。

Tufekci提到，我们是这个世界的一部分，我们开发出来的工具也是，而这些工具也不一定会按照我们希望的方式被使用，它可以向善也可以为恶。我们需要担心的是：如果机器学习有效，我们该怎么办？我们给了这个世界什么？

完整笔记下载：

https://david-abel.github.io/notes/iclr_2019.pdf

---

新智元春季招聘开启，一起弄潮 AI 之巅！

岗位详情请戳：

【加入社群】

新智元 AI 技术 + 产业社群招募中，欢迎对 AI 技术 + 产业落地感兴趣的同学，加小助手微信号：aiera2015_2   入群；通过审核后我们将邀请进群，加入社群后务必修改群备注（姓名 - 公司 - 职位；专业群审核较严，敬请谅解）。