所有文章 > 正文

ICRL 2020 会议日程解读

作者: 学术头条

时间: 2020-04-28 09:42

因疫情影响,The International Conference on Learning Representations(ICLR 2020)遗憾地成为首个线上虚拟学术顶会,而所有被接受的论文都要预先录制展示视频。虽然少了与大佬们当面交流的机会,但在家就能坐听大咖开讲也是种不错的选择。

查看日程

在 ICLR 2020 共 5 天(2020 年 4 月 26 日-2020 年 4 月 30 日)的会议日程中,一共邀请了 8 位全球高影响力的学者(4 位女性学者、4 位男性学者)做报告,每天可以听到两位学术大咖的精彩分享。这些学者中有很多来自机器学习领域的大牛,诸如机器学习泰斗、美国三院院士 Michael I. Jordan,“卷积网络之父”Yann LeCun、Facebook 人工智能研究院(FAIR)首席科学家 Devi Parikh 等,非常值得期待!

202004280301.jpg

ICLR 2020 共收到了 2594 篇论文投稿,最终共有 687 篇被接收,其中 48 篇 orals、108 篇 spotlights、531 篇 poster;录取率为 26.5%,相比去年的 31.4% 略有降低。

4 月 27 日,展示 172 篇论文(涵盖元学习、对抗网络、多智能体学习、联邦学习、深度强化学习等主题),包括 14 篇 Oral、32 篇 Spotlight、126 篇 Poster。其中,德克萨斯大学团队发表的 Meta-Q-Learning,介绍了一种新的元-Q 学习(Meta-Q-Learning,MQL)算法,这是一种新的用于元强化学习的离线策略算法。元-Q 学习借鉴了倾向性估计的思想,从而扩充了用于自适应的可用数据量。在标准连续控制基准上的实验表明,与最新的元强化学习算法相比,元-Q 学习更具有优势。

4 月 28 日,展示 170 篇论文(涵盖强化学习、计算神经科学、贝叶斯元学习、可解释深度学习、自动编码机等主题),包括 10 篇 Oral、23 篇 Spotlight、137 篇 Poster。其中,谷歌团队发表的 SEED RL: Scalable and Efficient Deep-RL with Accelerated Central Inference,提出了一个能够扩展到数千台机器的强化学习架构——SEED RL(Scalable and Efficient Deep-RL,即可扩展且高效的深度强化学习),同时该架构还能够以每秒数百万帧的速度进行训练,计算效率显著提高。

202004280302.jpg

4 月 29 日,展示 164 篇论文(涵盖深度批主动学习、Transformer、时序推理、强化学习、过完备学习、神经网络模型优化等主题),包括 12 篇 Oral 、26 篇 Spotlight、126 篇 Poster。其中,华为诺亚实验室发表的 Causal Discovery with Reinforcement Learning 获得满分评价。该论文将强化学习应用到打分法的因果发现算法中,通过基于自注意力机制的 encoder-decoder 神经网络模型探索数据之间的关系,结合因果结构的条件,并使用策略梯度的强化学习算法对神经网络参数进行训练,最终得到因果图结构。该方法在中等规模的图上的表现优于其他方法,包括传统的因果发现算法和近期的基于梯度的算法。同时该方法非常灵活,可以和任意的打分函数结合使用。

4 月 30 日,展示 177 篇论文(涵盖图神经网络、神经机器翻译、图嵌入表示、问答系统、超网络优化、强化学习、联合学习、自然语言生成、神经网络剪枝等主题),包括 12 篇 Oral、26 篇 Spotlight、139 篇 Poster。其中,南京大学团队发表的 Mirror-Generative Neural Machine Translation 获得满分评价。该论文提出一种镜像生成式机器翻译模型:MGNMT(mirror-generative NMT)。MGNMT 是一个统一的框架,同时集成了 source-target 和 target-source 的翻译模型及其各自语种的语言模型。MGNMT 中的翻译模型和语言模型共享隐语义空间,所以能够从非平行语料中更有效地学习两个方向上的翻译。此外,翻译模型和语言模型还能够联合协作解码,提升翻译质量。实验表明本文方法确实有效,MGNMT 在各种场景和语言(包括 resource rich 和 low-resource 语言)中始终优于现有方法。

更多会议详情可移步至会议智图开放平台 ICLR 2020 专题全析图www.aminer.cn/conf/iclr2020),一站式查看日程、论文、作者、华人学者、一作华人学生、论文 PPT 和视频等多维信息,并提供一键综述、论文解读与讨论等功能,是您的参会智能助理。

往期回顾:

ICLR 2020 | 反事实因果理论如何帮助深度学习?

ICLR 2020 | 两篇互信息相关论文解读

新星涌现!ICLR 2020 华人学者交出亮眼“成绩单”

ICLR 2020 | 一种高效、表达能力强的可微分归纳逻辑推理模型

ICLR 2020 | 浅谈GNN:能力与局限

ICLR 2020 | 基于谱方法的高效多级图嵌入框架

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多