当前位置:首页 > 企业新闻 >

科技公司争相涌进ICML2017,论文数占1/4,Google独占6.3%|爱超下注平台

编辑:爱超下注平台 来源:爱超下注平台 创发布时间:2020-11-07阅读41810次
  

ICML与NIPS一起,是机器学习和人工智能研究领域影响力较大的两个主要会议——国际顶级机器学习会议。今年ICML将于8月6-11日在澳大利亚悉尼举行会议,并计划到现场开始报道。早在5月份ICML 2017被拒绝的论文就已经发表了。今年ICML收到了创纪录的1676篇论文,434篇没有被接受(新纪录也更新了)。

OpenAI的研究科学家Andrej Karpathy没有分析这些论文,而是找到了有趣的东西。分析显示,所有论文共出现961个机构名称,其中420个经常出现一次。论文数量前30名的机构如下。

在统计数据中,谷歌和微软的论文数排在前2位,CMU排在第3位。需要注意的是,在统计资料中,谷歌、谷歌、谷歌大脑和谷歌研究都属于一个类别,在一定程度上还有斯坦福和斯坦福大学。在一篇论文中,当多个人属于同一个机构时被分割。

从这些统计资料也可以看出,工业界公开发表的论文占很大的比例。Karpathy统计了DeepMind、Google、微软、Facebook、IBM、迪士尼、亚马逊、Adobe等比较有名的产业研究所的论文状况,找到了占论文总数14%的论文。包括只不过是著名行业公司的其他论文,约20%至25%的论文由公司参与。

也就是说,ICML 2017的论文中,约四分之三来自学术界。另外,DeepMind和Google可以计算一个家庭,因此共参与60篇论文,占论文总数的6.3%。

对这些论文进行大幅分析后,2011年产业界研究很少出现在ICML上。目前公司的参与有了明显的提高。

但是学术界仍然做得很好,贡献了论文的很大一部分。还有一些更有趣的统计。

作为第一作者,论文被接受最少的是中国研究人员住宅院,他有5篇论文没有被接受。他现在在北美的微软研究院工作。

展开关于第一作者所在机构的统计,前5名是CMU(25)、Google(19)、DeepMind(15)、MIT(14)、UCB(14),可以看出谷歌的实力。微软研究院以10部排在第7位。数量统计不能反映现实的研究情况。

更重要的指标可能是论文中提到的情况,但论文天生不公平。工业界和学术界的内容被提及的情况如何,还没有统计。ICML也是窥见机器学习最近趋势的方法之一。

深度自学当然是最重要的内容,但搜索标题找到了,只有6篇文章不包含这个关键词。其他经常发生的研究领域包括自主学习、随机和高斯过程、映射(embeddings)、贝叶斯优化、AutoML等。这是除论文外ICML最不引人注目的瑶和每天的主题演讲。今年大会决定了涵盖AI前沿、应用、社会影响等的四个主题演讲。

四大主题演讲牛津大学Peter Donnelly他演讲的主题是:基因组学、大数据、机器学习:解释生命tup,推动医疗革命。演讲将通过明确的例子,说明将机器学习及其他推理小说工具应用于基因组数据的机会和挑战。

Donnelly是信标信托中心人类遗传学研究室长和牛津大学统计学教授,Genomics Plc的首席执行官。他是牛津大学博士,曾担任伦敦大学和芝加哥大学教授。他早期的研究涉及人口遗传学随机模型的开发,正在逐渐研究遗传和基因组数据统计方法。

他和团队开发了广泛使用的各种统计算法,包括STRUCTURE和PHASE。 他还领导了一个名为wWGS500的项目,该项目是牛津大学与Illumina合作对500名具备一系列临床条件的个人进行测序,评估临床医学中全基因组测序的短期潜力。该项目也是NHS 100000基因组项目的前身。

在过去的10多年里,基因测序的费用上升到了圆形指数级,在未来的10多年里,近10亿人将不会开始基因测序。大量基因数据与个人医疗记录信息和可穿戴设备信息的融合,将大大提高评估个人身体健康风险、预测健康状况和进行个性化化疗的能力。哈佛大学Latanya Sweeney的演讲主题是AI设计师如何影响公民生活,作为哈佛大学政府和技术大学教授,Sweeney的愿景是开发和利用技术来评估和解决社会、政治和管理问题。

她的重点研究领域是技术对人类的影响,她自己还是技术市ence编辑。她还对数据隐私感兴趣,是哈佛数据隐私研究所的负责人。她指出,技术设计师(Technology designer)是新的决策者。他们没有经过议会选举,大部分人没有说他们的名字,但他们在开发工具和创造力时提出的要求,影响了能够规范我们日常生活的代码。

爱超联赛

隐私和安全是新技术的第一个挑战,随着技术的变化,生活的各个方面都被重新定义。DeepMind的Raia Hadsell的演讲主题是走向现实世界的强化自学。她是DeepMind的高级研究科学家,在深度自学和机器人领域有10年以上的研究经验。

她早期的研究与以廉耻网开展多学科自学有关,这可以作为常数特征自学。她的博士导师是Yann LeCun,后来又加入了CMU的机器人研究所和SRI国际。

她于2014年初重新加入DeepMind,开始研究标准化的人工智能。她目前的研究重点是AI代理和机器人系统持续自学的挑战。

深度提升自学已经迅速发展到有潜力的人工智能研究领域,与此不同的是,游戏也被用作很多基础开发的主要标准。随着研究的成熟,更重要的是开发简单的自学系统解决问题是更简单的任务。她预计不会对DeepMind最近的研究进行说明,该研究涉及在现实世界和具有简单任务结构的挑战性环境下,开展从结束到结束的自学。

马克斯普朗克智能系统研究所Bernhard Sch lkopf的演讲主题是因果自学。Sch lkopf的主要研究领域是机器学习、因果推理小说。他将研究应用于生物医学问题、计算的照片、天文学等多种领域。他曾在AT & T Bell研究所和英国微软公司研究院工作。

他是德国科学院的成员,曾获得国际模式识别协会的J.K. Aggarwal奖。机器学习的目标是不使用数据来预测未来,以便自动找到依赖关系。(威廉莎士比亚、温斯顿、机器学习、机器学习、机器学习、机器学习、机器学习、机器学习)大部分机器学习方法都是统计性的,当然可以进一步分析统计依赖后的因果结构。

Sch lkopf指出,这些因果科学知识有助于在机器学习任务中做出预测。他在演讲中也没有提及因果模式对机器学习任务的影响(例如自学迁移和反毒自学)。(公共号码:)现场将提供ICML 2017的实时报道。

如果不注意我们以前的句子。原创文章,发布许可禁令。下面,我们来听一下关于刊登的注意事项。。

本文来源:爱超联赛app-www.androgan.com

0224-53976864

联系我们

Copyright © 2010-2014 阿勒泰地区爱超下注平台股份有限公司 版权所有  新ICP备83351612号-9