ICML 2017首日公布两大奖项：斯坦福大学获最佳论文奖

2017-08-07 00:00 来源:机器之心 line /技术

原标题：ICML 2017首日公布两大奖项：斯坦福大学获最佳论文奖

机器之心编辑部

当地时间 8 月 6 日，第 34 届国际机器学习大会（ICML 2017）在澳大利亚悉尼正式开幕。在大会的第一天下午，备受关注的本届大会最佳论文等奖项也已公布。

ICML 是计算机科学领域的顶会之一。在机器之心昨日的文章《计算机领域顶级科学家、学术会议、期刊影响力排名（附国内排名）》中，根据 Google Scholar Metrics 的 H5-Index 值作出的排名可以看出，ICML 在计算机科学领域众多会议中位列第四。

据统计，ICML 2017 共评审了 1676 篇论文，接收了 434 篇，录取率为 25.89%。在机器之心之前报道的论文中，也有众多为 ICML 2017 所接收，比如百度有关 、 的论文。据机器之心了解，腾讯 AI Lab 也有四篇论文入选 ICML 2017。

今日，atv，ICML 2017 公布了最佳论文、Test of Time Award 以及荣誉提名论文，共 7 篇获奖论文。

获奖论文如下：

最佳论文奖

论文：Understanding Black-box Predictions via Influence Functions

作者：Pang Wei Koh、Percy Liang

机构：斯坦福大学

Honorable Mentions

论文：Lost Relatives of the Gumbel Trick

作者：Matej Balog、Nilesh Tripuraneni、Zoubin Ghahramani、Adrian Weller

机构：剑桥大学、马克斯—普朗克固体研究所等机构

论文：Modular Multitask Reinforcement Learning with Policy Sketches

作者：Jacob Andreas、Dan Klein、Sergey Levine

机构：加州大学伯克利分校

论文：A Unified Maximum Likelihood Approach for Estimating Symmetric Properties of Discrete Distributions

作者：Jayadev Acharya、Hirakendu Das、Alon Orlitsky、Ananda Suresh

机构：康奈尔大学、雅虎等机构

Test of Time Award

论文：Combining Online and Offline Knowledge in UCT

作者：Sylvain Gelly、David Silver

机构：巴黎南大学、阿尔伯塔大学

Honorable Mentions

论文：Pegasos: Primal Estimated sub-GrAdient SOlver for SVM

作者：Shai Shalev-Shwartz、Yoram Singer、Nathan Srebro、Andrew Cotter

机构：耶路撒冷希伯来大学、谷歌、芝加哥丰田工业大学

论文：A Bound on the Label Complexity of Agnostic Active Learning

作者：Steve Hanneke

机构：卡内基梅隆大学

本文中，机器之心对这 7 篇论文进行了摘要介绍。

最佳论文

论文：Understanding Black-box Predictions via Influence Functions

地址：

摘要：我们应该如何解释黑箱模型的预测结果？在本论文中，我们使用影响函数（influence functions），即一种鲁棒统计（robust statistics）的经典技术，它可以通过学习算法追踪模型的预测并返回训练数据，因此我们能确定最影响给定预测的训练数据点。为了将影响函数扩展到现代机器学习设定中，我们开发了一个简单并高效的实现，它只需要对梯度和 Hessian-vector 积有 oracle 访问。我们展示了即使在理论失效的非凸和不可微模型下，影响函数的近似依然能提供有价值的信息。在线性模型和卷积神经网络中，我们展示了影响函数的多用途性：理解模型的行为、检测模型错误、检测数据集错误，它甚至能构建视觉上不可区分的攻击训练集。

Honorable Mentions

论文：Lost Relatives of the Gumbel Trick

地址：

摘要：Gumbel 技巧是一种从离散概率分布中抽样或估计其归一化配分函数（partition function）的方法。该方法依赖于使用特定方式对分布重复应用随机扰动，并且每一次都求解最可能的配置。我们推导出了一系列相关的方法，其中 Gumbel 技巧就是其中一员，本论文表明新方法因为有最小的额外计算成本而在多种设置中有优秀的属性。特别的，Gumbel 技巧对于离散图模型（discrete graphical model）有计算优势，并且在所有配置上的 Gumbel 扰动通常被所谓的低秩扰动（low-rank perturbations）所替代。我们展示了新方法的子系列如何适应这种设置，并证明了对数配分函数一种新的上确界和下确界，且推导出吉布斯分布（Gibbs distribution）的一系列序列采样。最后，我们展示了如何从 Gumbel 技巧简化分析并推导出额外的理论结果。

论文：Modular Multitask Reinforcement Learning with Policy Sketches

地址：