大数据文摘作品
专栏作者|不看镜头的ZARD
今天早晨,ICLR 2018的论文接受结果揭晓,我们就带大家来大致了解一下今年ICLR 2018的论文接受概况。
ICLR全称International Conference of Learning Representation,是由Lecun,Hinton和Bengio三位神经网络的元老联手发起的。近年来随着深度学习在工程实践中的成功,ICLR会议也在短短的几年中发展成为了神经网络的顶会。
论文接受率:
2.3%的口头展示,31.4%的poster接受,9%的workshop,51%拒绝。
ICLR口头展示论文速览:
ICLR口头论文中一大半的论文会成为ICLR Best paper,同时也代表了2018年的研究方向,下面我们就简单的介绍一下今年的oral论文,由于ICLR会议的论文范围较广,方向比较新,我们也不能够做到面面俱到。
Wasserstein Auto-Encoders (Max Planck Institute)
这篇论文提出了在Variation Auto-Encoder中使用Wasserstein距离进行度量,从而第一次让VAE能够产生跟Generative Adversarial Network比肩的效果。并且WAE在理论上面联系了VAE和GAN。是一篇不可多得理论与实践兼得的好论文。WAE产生的图像如下图:
Spherical CNNs (阿姆斯特丹大学Max Welling组)
卷积神经网络只能够在2D planar图像中使用,但是近年来很多问题如机器人运动,自动驾驶需要对spherical image进行分析。传统的方法是将spherical image投影到2D planar图像,但是这个过程会产生distortion,如下图:
于是作者提出了spherical CNN。Spherical CNN通过傅立叶变换来避免过度的计算。通过傅立叶变换来实现spherical CNN的示意图如下:
相信本篇论文提出的spherical CNN能够在自动驾驶,机器人运动的任务中得到广泛的应用。
Boosting Dilated Convolution with Mixed Tensor Decomposition
本篇论文通过tensor decomposition的角度来分析神经网络,并且提出了mix tensor decomposition的方法来提高神经网络的表达能力。作者在实践中使用了mix dilation的办法来进行mix tensor decomposition。结构图如下:
两个对偶的网络weight sharing,仅仅通过dilation的变化就可以得到不同的连接,提高神经网络的expressive efficiency。
本篇论文的理论分析详尽,并且论文讲述简单易懂,美中不足的是实验部分太弱,但是也不影响该论文被接受为oral。
Ask the right questions:active question reformulation with reinforcement learning(Google)
这篇论文提出了一个做question answering的新的思路,通过question reformulation将一个问题转换成类似的问题,然后反复的选择最佳问题。Question reformulation和answer selection通过强化学习进行训练。流程图如下:
ICLR趣闻
由于ICLR的审稿意见是公开的,所以我们可以看到作者和审阅者之间的思想碰撞,下面我们就介绍一些有趣的事情。
Mix-up vs “Data Augmentation by paring samples for images classification”
这两篇论文提出了类似的方法,通过将数据库的图像的线形组合来做Data Augmentation,并且在CIFAR,IMAGENET上面都取得了好的结果,但是Mix-up被接受,paring samples被拒绝。
Matrix capsules with EM routing
这篇论文是神经网络之父的CapsuleNet的后续,也被ICLR接受了,Geoffrey Hinton是该论文的第一作者。
Progressive Growing of GANs
这篇论文是NVIDIA提出的使用GAN生成high resolution image的论文,由于在论文中违反了double blind原则,在review阶段被拒绝(strong reject),但是由于其amazing的结果,在最后阶段被ICLR接收。
附上大会及相关链接,感兴趣的读者可以自行查看:
ICLR 2018会议链接:
https://openreview.net/group?id=ICLR.cc/2018/Conference
论文链接:
Ask the right question:
https://openreview.net/pdf?id=S1CChZ-CZ
Wasserstein Auto-Encoders:
https://openreview.net/pdf?id=HkL7n1-0b
Spherical CNNs:
https://openreview.net/pdf?id=Hkbd5xZRb
【今日机器学习概念】
Have a Great Definition