NIPS2017現場：最佳論文大獎公布，演算法關注度超越深度學習排第一

新智元報道

編輯：聞菲、全月

【新智元導讀】第三十一屆NIPS正式開幕！新智元編輯部結合「V直播」，為你帶來現場報道！本屆會議有8500人註冊，3240篇提交論文，覆蓋156個子領域，有7844位不同的作者，2093位專家評審，9747條評審意見……輝煌的數字，必將成就難忘的會議。本文後附3篇最佳論文及1篇經典論文解讀。

本次直播由CMU計算機學院副教授馬堅、斯坦福AI博士生、李飛飛教授的學生Jim Fan、杜克大學溫偉為大家帶來NIPS 2017全程直播。特別感謝Jim 提供照片。

參會人數從100激增到8500，不變的是創造智能的夢

三十一年，一代科學巨匠們的輝煌歷史！主席說，他當年在Denver參加第一屆NIPS的時候只有一百多人，而今年有超過8500人註冊。人數在逐年指數增長，而唯一不變的是那古老的創造智能的夢。

這次大會共有2個並行的track，都分別包括oral和spotlight。新增了藝術創作大賽（其中GAN的發展起了很大的推動作用），還有一個舞會（在學術會議舉辦舞會，也確實算創新）。

大會程序主席Samy Bengio致辭

3240篇提交論文，覆蓋156個子領域，演算法最受關注，深度學習其次

本屆大會一共收到3240篇論文（相較去年有明顯增多），覆蓋156個子領域（相比去年增長了150%），最受關注的是演算法，其次是深度學習，緊跟其後的是應用。

之後依次是：問題方法、優化、理論、神經和認知科學、數據、其他。

接收論文共有679篇，錄取率為21%，稍稍高於去年，其中40篇Oral，spotlight 112篇，poster 527篇，這些論文的領域分布如下：

10000個作者，90%是男性

那麼，這些論文都出自誰的手？

統計表明，如果只看論文署名，有1萬個作者（authorship），平均每篇論文3.4個作者。除去以為作者參與多篇論文的情況後，單獨看，共有7844位不同的作者。

7844人！

其中，絕大部分是男性（90%）。

組委會從中抽取了10%的論文做調查，發現工業界和學術界提交論文的比例是12:88。

200+領域主席，2093位專家評審，9747條評審意見

有將近8000位作者寫論文，會務組也辛苦找到了2093位評審，而且是專家評審，實在不易。

183位領域主席（相比去年增長了83%），由於領域主席實在太多，本屆大會還新增了「資深領域主席」，一共26位。大會組委會引入了下面的論文評審規則，包括保持每位評審不超過6篇論文，領域主席不超過18篇論文，而資深領域主席最多只能負責8個領域。

他們一共給出了9747條評審意見（每篇論文至少有3條意見）：

3篇最佳論文及1篇經典論文

今年NIPS共評選出3篇最佳論文，而經典論文獎授予了10年前一篇與隨機特徵搜索相關的論文。下面做簡單介紹：

一、最佳論文獎（3篇）

1、Safe and Nested Subgame Solving for Imperfect-Information Games

摘要：在不完全信息博弈中，子博弈（subgame）中的最優策略可能取決於其他尚未完成的（unreached）子博弈中的策略。因此，單個子博弈不能孤立地解決，而必須考慮整個遊戲的策略，這一點與完全信息遊戲十分不同。但是，也可以首先逼近整個博弈的解決方案，然後通過解決個別子博弈來改進它。這被稱為子博弈解決（subgame solving）。我們提出了在理論和實踐中均超越以前方法的子博弈解決技術。我們還展示了如何調整它們以及過去的子博弈解決技術，以應對原始行動抽象之外的對手行為；得到的結果顯著優於先前的state-of-the-art方法，動作翻譯（action translation）。最後，我們表明子博弈解決可以隨著博弈樹不斷重複，使得exploitability大幅降低。這些技術是Libratus的一個關鍵組成部分，Libratus是第一個在單挑無限手德州撲克中擊敗頂級人類玩家的AI。

2、Variance-based Regularization with Convex Objectives

摘要：我們開發了一種風險最小化和隨機優化的方法，該方法為方差提供了的凸屬性代替項，允許逼近和估計誤差之間的近似最優和計算有效的平衡。 我們的方法建立在分布魯棒性優化和歐文經驗性似然度的技術基礎之上，我們提供了一些有限樣本和漸近結果來表示估計器的理論性能。 具體來說，我們證明了我們的過程具有最優證明，並且通過最優化的近似和估計誤差，在更一般的設置下實現更快的收斂速度而不是經驗風險最小化。 我們給出確鑿的經驗證據，表明在實踐中，估計器實際上在訓練樣本上的方差和絕對性能之間進行交換，對於許多分類問題，超出標準經驗風險最小化的樣本外（測試）性能。論文地址：https://arxiv.org/pdf/1610.02581

3、A Linear-Time Kernel Goodness-of-Fit Test

摘要：我們提出了一種新的goodness-of-fit的自適應測試，其樣本數量的計算成本是線性的。我們通過最小化假陰性率來了解最能顯示觀察樣本與參考模型之間差異的測試特徵。這些特徵是通過Stein的方法構造的，這意味著沒有必要計算模型的歸一化常數。我們分析了新測試的漸近Bahadur效率，證明了在一個均值偏移的情況下，無論選擇哪個測試參數，我們的測試總是比先前的線性時間內核測試具有更高的相對效率。在實驗中，我們的方法的性能超過了早期的線性時間測試，與二次時間內核測試（quadratic-time kernel test）的功效相當甚至更好。在高維和可以利用模型結構的情況下，我們的擬合優度比基於最大平均偏差（Maximum Mean Discrepancy）的二次時間二樣本測試性能得好得多。論文地址：https://arxiv.org/abs/1705.07673

二、經典論文獎：

「經典論文獎」被授予了2007年在NIPS發表的《大規模內核機器隨機特徵搜索》，目前已經被引用1000多次。

摘要：為了加速對內核機器的訓練，我們提出將輸入數據映射到隨機化的低維特徵空間，然後應用現有的快速線性方法。我們設計了隨機特徵，使變換後的數據內積近似於用戶指定的移位不變（shift-invariant）內核特徵空間中的內積。我們研究了兩組隨機特徵，提供了它們近似各種徑向基核的收斂範圍，並表明在大規模分類和回歸任務中，使用這些特徵的線性機器學習演算法的性能，要優於目前最先進的大規模內核機器。地址：https://people.eecs.berkeley.edu/~brecht/papers/07.rah.rec.nips.pdf

NIPS 2017，新智元智庫專家、CMU計算機學院副教授馬堅老師和斯坦福大學AI博士生Jim Fan將在美國長灘帶來現場直播，關注新智元小程序或掃描下方二維碼加入直播群，參與直播互動，第一時間了解NIPS前沿資訊。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！