AI Weekly：ICML 2019年的顶级论文和亮点

 
本周在阳光明媚的南加州，由于国际机器学习会议(ICML)在长滩举行，世界人工智能研究人员社区举办了其最大的年度聚会之一。
VentureBeat没有ICML的记者，但你不必在长滩阅读最新的研究和突破性的进展，以推动AI针。
热门论文
会议组织者为剑桥大学的“稀疏变分高斯过程回归的收敛速度”和“在无监督学习的无监督学习中挑战常见假设”提供了最佳论文奖。
来自苏黎世联邦理工学院，马克斯 – 普朗克智能系统研究所和谷歌大脑的作者，后者的工作评估了12,000多个解缠模型，以消除一些信念。例如，它断言，如果没有模型和数据的归纳偏差，就无法进行无监督的解缠结表示学习。
“我们的研究结果表明，未来关于解构学习的工作应明确关于归纳偏见和(隐含)监督的作用，研究强化学习表征解开的具体好处，并考虑覆盖多个数据集的可重复的实验设置，”论文的抽象读。
该小组还发布了10,000个预训练解剖模型库，用于培训，评估和未来研究。
另一篇旨在挑战人工智能行业假设的论文是最受尊敬的提及之一。爱丁堡大学的研究人员“类比解释：理解单词嵌入”研究了像word2vec这样的神经词嵌入，它支持自然语言处理。
麻省理工学院媒体实验室，普林斯顿大学高级研究所和谷歌的DeepMind的研究人员设计了多学科强化学习的协调和沟通方法，以获得荣誉奖，就像牛津大学统计系的两篇论文一样。
可以在SlidesLive网站上找到热门作者演示视频和幻灯片。
AI再现性
有史以来第一次，活动主席要求研究人员在他们分享论文手稿的同时包括代码来证明他们的发现。世界各地的研究人员提交了3000多篇论文，组织者接受了近800篇论文。
共享代码有助于验证研究论文中共享的科学成果。在稿件提交时而不是在接受时共享代码对于评估论文的评委来说似乎也是有益的，因为超过一半的人表示他们认为在决定什么值得被接受出版时有用。
提交时代码的实验发现，67%的被接受的论文提交了代码以及支持其主张有效性的研究。在共享实验结果的Medium帖子中，联合主席建议使用通用代码存储库和通用存档，以进一步提高可重复性。
通过从属关系对ICML参与者进行细分后发现，主要贡献者包括Google;微软; Facebook的;麻省理工学院;斯坦福大学;和加州大学伯克利分校。
在本周的另一项倡议中，为了鼓励复制结果，Facebook推出了PyTorch Hub，这是一个用于研究再现性和支持的API和工作流程。测试中心配备了约20个预训练模型，可在发布时进行复制。
本周我们遇到的其他值得注意的研究包括英特尔AI的工作，即结合强化学习方法来训练3D人形行走，另一个则演示如何在没有精确度损失的情况下压缩模型。
除了ICML之外，我们写了关于约克大学研究人员创建的AI，可以预测Dota 2玩家什么时候会死，Facebook AI的MelNet生成模型听起来像比尔盖茨发表TED演讲，以及证据表明Alexa的语音错误率继续下降。
ICML将于周六继续举办一系列研讨会，如现实生活中的强化学习，第六届AutoML研讨会，以及使用人工智能对抗深水和气候变化。