一覽 CMU 的 33 篇 ICML 2019 論文

雷鋒網(wǎng) AI 科技評(píng)論按：機(jī)器學(xué)習(xí)頂會(huì) ICML 2019 近期公布了接收論文清單，多家企業(yè)研究院也按慣例介紹了自己的錄用論文。不過(guò)新鮮的是，今年卡耐基梅隆大學(xué)（CMU）也專(zhuān)門(mén)發(fā)博客列出了來(lái)自 CMU 師生的錄用論文，一共有 33 篇之多。其實(shí) UC 伯克利、斯坦福、CMU 等計(jì)算機(jī)領(lǐng)域?qū)嵙軓?qiáng)的高校每年都有許多頂會(huì)論文，多樣性和深度也都很好，但是宣傳力度往往比不上企業(yè)級(jí) AI 研究機(jī)構(gòu)。所以 CMU 這篇博客也提醒了各位不要忘了頂級(jí)高校的學(xué)術(shù)實(shí)力，到時(shí)參會(huì)的研究人員也可以到他們的海報(bào)前一期討論這些前沿研究進(jìn)展。

雷鋒網(wǎng) AI 科技評(píng)論把論文列表簡(jiǎn)單介紹如下。

• Statistical Foundations of Virtual Democracy

• “虛擬民主”算法的統(tǒng)計(jì)學(xué)基礎(chǔ)
  

• http://procaccia.info/papers/virtual.pdf

• TarMAC: Targeted Multi-Agent Communication

• TarMAC：有目標(biāo)的多智能體通訊
  

• https://arxiv.org/abs/1810.11187 

• A Kernel Theory of Modern Data Augmentation

• 現(xiàn)代數(shù)據(jù)擴(kuò)增的一種核理論

• https://arxiv.org/abs/1803.06084 

• Myopic Posterior Sampling for Adaptive Goal Oriented Design of Experiments

• 用于適應(yīng)性目標(biāo)向的實(shí)驗(yàn)設(shè)計(jì)的短視后驗(yàn)抽樣
  

• Nearest neighbor and kernel survival analysis: Nonasymptotic error bounds and strong consistency rates

• 最近鄰以及核生存方法的分析：非漸近性的錯(cuò)誤邊界以及強(qiáng)相關(guān)性率
  

• Policy Certificates: Towards Accountable Reinforcement Learning

• 策略證書(shū)：向著可靠的強(qiáng)化學(xué)習(xí)

• https://arxiv.org/abs/1811.03056

• Deep Counterfactual Regret Minimization

• 深度反事實(shí)后悔最小化方法

• https://arxiv.org/abs/1811.00164

• Domain Adaptation with Asymmetrically-Relaxed Distribution Alignment

• 通過(guò)非對(duì)稱(chēng)釋放的分布對(duì)齊進(jìn)行的領(lǐng)域適應(yīng)

• https://arxiv.org/abs/1903.01689

• （有趣的是，這篇論文第一作者的名字是 Yifan Wu）

• Provably efficient RL with Rich Observations via Latent State Decoding

• 通過(guò)潛狀態(tài)編碼實(shí)現(xiàn)豐富觀察，得到可證明的高效強(qiáng)化學(xué)習(xí)

• https://arxiv.org/abs/1901.09018

• A Baseline for Any Order Gradient Estimation in Stochastic Computation Graphs

• 可以用于任意階的隨機(jī)計(jì)算圖的梯度估計(jì)的基線方法
  

• Gradient Descent Finds Global Minima of Deep Neural Networks

• 梯度下降可以找到深度神經(jīng)網(wǎng)絡(luò)的局部極小值

• https://arxiv.org/abs/1811.03804

• Stable-Predictive Optimistic Counterfactual Regret Minimization

• 穩(wěn)定預(yù)測(cè)的樂(lè)觀反事實(shí)后悔最小化方法

• https://arxiv.org/abs/1902.04982

• Regret Circuits: Composability of Regret Minimizers

• 后悔循環(huán)：不同后悔最小化方法的可組合性
  

• https://arxiv.org/abs/1811.02540

• Provable Guarantees for Gradient-Based MetaLearning

• 基于梯度的元學(xué)習(xí)方法的可證明的保證

• https://arxiv.org/abs/1902.10644

• Dimensionality Reduction for Tukey Regression

• 土耳其回歸方法的降維

• Certified Adversarial Robustness via Randomized Smoothing

• 通過(guò)隨機(jī)平滑達(dá)到可證明的對(duì)抗性魯棒性

• https://arxiv.org/abs/1902.02918

• Provably Efficient Imitation Learning from Observation Alone

• 證明僅僅從觀察就可以實(shí)現(xiàn)高效的模仿學(xué)習(xí)

• SATNet: Bridging deep learning and logical reasoning using a differentiable satisfiability solver

• SATNet：通過(guò)可微分可滿足性解算器連接深度學(xué)習(xí)和邏輯推理
  

• Collective Model Fusion for Multiple Black-Box Experts

• 多個(gè)黑盒專(zhuān)家的群體模型融合方法
  

• http://kingsfordlab.cbd.cmu.edu/publication/hoang-2019-fusion/

• Fine-Grained Analysis of Optimization and Generalization for Overparameterized Two-Layer Neural Networks

• 過(guò)參數(shù)化的雙層神經(jīng)網(wǎng)絡(luò)的優(yōu)化及泛化性的細(xì)粒度分析

• https://arxiv.org/abs/1901.08584

• Width Provably Matters in Optimization for Deep Linear Neural Networks

• 在深度線性神經(jīng)網(wǎng)絡(luò)中證明寬度也有作用

• https://arxiv.org/abs/1901.08572

• Causal Discovery and Forecasting in Nonstationary Environments with State-Space Models

• 在非固定環(huán)境下用狀態(tài)空間模型進(jìn)行因素發(fā)現(xiàn)和預(yù)測(cè)

• Uniform Convergence Rate of the Kernel Density Estimator Adaptive to Intrinsic Volume Dimension

• 讓核密度估計(jì)器的統(tǒng)一化收斂速度適應(yīng)本征體積維度
  

• https://arxiv.org/abs/1810.05935

• Faster Algorithms for Boolean Matrix Factorization

• 更快的布爾矩陣分解算法
  

• Contextual Memory Trees

• 背景記憶樹(shù)

• https://arxiv.org/abs/1807.06473

• Fault Tolerance in Iterative-Convergent Machine Learning

• 迭代收斂機(jī)器學(xué)習(xí)方法的錯(cuò)誤容忍度的研究

• https://arxiv.org/abs/1810.07354

• Wasserstein Adversarial Examples via Projected Sinkhorn Iterations

• 通過(guò)投影 Sinkhorn 迭代生成 Wasserstein 對(duì)抗樣本
  

• https://arxiv.org/abs/1902.07906

• Learning to Explore via Disagreement

• 通過(guò)不一致學(xué)習(xí)探索
  

• What is the Effect of Importance Weighting in Deep Learning?

• 深度學(xué)習(xí)中重要性權(quán)重的效果是什么？

• https://arxiv.org/abs/1812.03372

• Adversarial camera stickers: A physical camera-based attack on deep learning systems

• 對(duì)抗性相機(jī)貼紙：針對(duì)深度學(xué)習(xí)系統(tǒng)的基于物理攝像機(jī)的攻擊

• https://arxiv.org/abs/1904.00759

• On Learning Invariant Representation for Domain Adaptation

• 關(guān)于為領(lǐng)域適應(yīng)學(xué)習(xí)不變的表征

• https://arxiv.org/abs/1901.09453

• Finding Options that Minimize Planning Time

• 尋找能夠減少規(guī)劃時(shí)間的方法

• https://arxiv.org/abs/1810.07311

• Tight Kernel Query Complexity of Kernel Ridge

• 核嶺回歸的核查詢復(fù)雜度分析
  

ICML 2019 將于今年 6 月 10 日至 15 日在美國(guó)加州長(zhǎng)灘舉行。雷鋒網(wǎng) AI 科技評(píng)論到時(shí)也會(huì)進(jìn)行多方位的報(bào)道，敬請(qǐng)繼續(xù)關(guān)注。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。