【快讯】NeurIPS2023论文放榜，3200多篇上榜，你的paper中了吗？

【导读】机器学习深度学习顶会NeurIPS2023接收论文列表已公布，你的文章中了吗？

今年有12343篇论文提交到NeurIPS，有近3221篇论文接受，接受率在26.1%。

作为当前全球最负盛名的 AI 学术会议，NeurIPS 是每年学界的重要事件。它的全称是 Neural Information Processing Systems，神经信息处理系统大会，通常在每年 12 月由 NeurIPS 基金会主办。大会讨论的内容包含深度学习、计算机视觉、大规模机器学习、学习理论、优化、稀疏理论等众多细分领域。

NeurIPS 2023 已是第 37 届，将于 12 月 10 日到 16 日举行，举办地点为路易斯安那州新奥尔良市。

一些接受论文抢先看！

1. 【NeurIPS2023】零样本因果学习

在个性化医学、公共政策和在线营销等多个领域，预测不同干预措施将如何因果影响特定个体非常重要。有大量方法可以基于接受过该干预的个体的历史数据，来预测现有干预的效果。然而，在许多情况下，预测新型干预（例如，新发明的药物）的效果很重要，而这些方法并未解决这个问题。在此，我们考虑零样本因果学习：预测新型干预的个性化效果。我们提出了因果元学习框架 CaML，它将每种干预的效果的个性化预测表述为一个任务。CaML在成千上万的任务中训练一个单一的元模型，每个任务都是通过采样一种干预，以及它的接受者和非接受者来构建的。通过利用干预信息（例如，药物的属性）和个体特征（例如，患者的病史），CaML能够预测在训练时不存在的新型干预的个性化效果。在大规模医疗索赔和细胞系扰动的真实世界数据集上的实验结果证明了我们方法的有效性。最引人注目的是，CaML的零样本预测甚至超过了直接在测试干预数据上训练的强基线。 https://www.zhuanzhi.ai/paper/292a04a3747bb1dbada017b0d70f2be4

2. 通过从随机过程中学习先验知识进行差分隐私图像分类

在保护隐私的机器学习中，由于每个样本的梯度裁剪和噪音添加，差分隐私随机梯度下降（DP-SGD）的表现不如普通的SGD。近来，私人学习研究的一个焦点是通过结合在现实世界的公开数据上学到的先验知识，来提高DP-SGD在私人数据上的表现。在这项工作中，我们探讨了如何通过从随机过程生成的图像学习先验知识，并将这些先验知识转移到私人数据上，从而改善DP-SGD的隐私-效用权衡。我们提出了DPRandP，一种分三个阶段的方法。当我们从头开始在CIFAR10、CIFAR100和MedMNIST上训练时，我们在一系列的隐私预算ε ∈ [1, 8]下达到了新的最先进的准确率。特别是，对于ε = 1，我们将CIFAR10上以前报告的最好准确率从60.6%提高到了72.3%。我们的代码可在https://github.com/inspire-group/DP-RandP 上找到。