ICML 2020线上分享 | Google AI：如何用ConQUR算法解决强化学习在应用落地上的难题？

2020 年 7 月 11 日 机器之心

ICM L（International Conference on Machine Learning）是国际机器学习学会（IMLS）主办的年度机器学习国际顶级会议，每年都会吸引大批 ML 研究者参加。

受到疫情影响，今年的 ICML 大会已经改为在 2020 年 7 月 13 日至 18 日线上举行。

据官方统计，ICML 2020 共收到 4990 篇论文投稿，最后接收论文 1088 篇，接收率为 21.8%。与往年相比，接收率逐年走低。

为向读者们分享更多 ICML 的优质内容，在大会开幕之前，机器之心将策划多期线上分享。

这是机器之心 ICML 2020 线上分享的第一期，我们邀请到了普林斯顿大学在读博士生 DiJia Su 为我们分享他们今年被接收的最新论文：《ConQUR: Mitigating Delusional Bias in Deep Q-learning》

Google AI 如何用 ConQUR 算法解决强化学习在应用落地上的难题

讲师简介： DiJia Su(苏迪加) ，本论文的第一作者，目前在普林斯顿大学攻读博士，研究方向是人工智能与强化学习。他本科毕业于 UBC 工程系，后在加州理工获得了硕士学位，曾在 Amazon AI，Uber AI Lab 与 Google AI Lab 担任过人工智能研究员。Dijia Su 平时也积极参与普林中国学生会，担任副主席的职位。

演讲概要： 众所周知，强化学习在应用落地和理论之间存在巨大的偏差，理想很美好，现实很骨感。作者与 Google AI 团队围绕这个复杂的问题上提出了 ConQUR 算法框架，有效地解决强化学习在部署落地中面临的各种问题。

在实际应用场景中，深度学习，神经网络与 Q-learning 的结合会导致其在某种状态 (state) 采取「非合理」的动作。在这次演讲中，作者将讲解如何通过修改一行代码从而实现强化学习 (Q-learning 或相关算法) 性能上显著的提高。此论文为 NeurIPS 2018 Best Paper (Non delusional Q-Learning)的延续。作者也将分享他是如何与原版人马打造 ConQUR 算法并通过现实应用场景，结果强化学习落地的难题。

论文链接： https://arxiv.org/pdf/2002.12399.pdf

直播时间：7 月 14 日 20:00-21:00

ICML 2020 机器之心线上分享

在 ICML 2020 收录的大量优秀论文中，我们将选出数篇优质论文，邀请论文作者来做线上分享。整场分享包括两个部分：论文解读和互动答疑。

线上分享将在「ICML 2020 交流群」中进行，加群方式：添加机器之心小助手（syncedai6），备注「ICML」，邀请入群。入群后将会公布直播链接。