<mark id="oztn4"></mark>
0
雷鋒網 AI 科技評論按：人工智能領域最熱門會議之一的 NIPS 已經開幕了，新鮮報道紛至沓來。
今年 NIPS 2017 中，接近6000人參會、3240篇論文投稿、678篇接收論文的幾個數字都創下了歷史記錄；甚至僅僅谷歌一家公司就有450人到場、45篇收錄論文，可以說是非常嚇人了。我們甚至擔心，所有參加會議的接近6000名參會者的吃飯問題怎么解決，本屆 NIPS 不提供一日三餐，而附近只有十一二家集中的餐館……（詳情見 搶先看：6000個滿腦子機器學習的人一起開會會是什么樣？）
隨著正會開始，NIPS 2017 的三篇最佳論文獎和一篇 Test of Time Award 獲獎論文都已經公布出來，我們先放下前面的擔憂，看看這幾篇論文內容如何。
Safe and Nested Subgame Solving for Imperfect-Information Games
在不完全信息博弈中安全、嵌套地求解子博弈（卡內基梅隆大學德撲 AI 的論文）
論文摘要：對于不完全信息的博弈來說，一個子博弈的最優策略可能也會取決于其它的、沒有遇到的子博弈中的策略。所以一個子博弈不可以單獨求解，必須把基于整個博弈考慮策略；這和圍棋象棋之類的完全信息博弈不同。但不管怎么說，首先對整個博弈求解，然后再對子博弈分別求解以改善原來的解的方法也是可行的。這種方法就稱作“子博弈求解”。論文中作者們提出了一種子博弈求解方法，它在理論和實際效果方面都要超越以往的方法。作者們同時展示了如何適配這種方法以及以往的子博弈求解方法，以便能夠處理原來的動作抽象范圍之外的對手動作；這也比先前的最好方法“動作翻譯”的效果好得多。最后，作者們表明子博弈求解可以在博弈沿著分支樹向下進行的過程中反復運用，這也帶來了遠低小于之前的探索空間。這些技術都是第一個在一對一無限注德州撲克單挑中打敗頂尖人類選手的 AI 的關鍵組成部分。
雷鋒網字幕組翻譯的 論文作者的論文介紹視頻
Variance-based Regularization with Convex Objectives
帶有凸對象的基于方差的正則化方法
作者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一個凸代替項（convex surrogate），并能夠允許在近似和估計誤差之間實現接近最優且計算效率高的權衡。 作者們的方法建立在分布魯棒性優化和 Owen 經驗似然值的技術基礎之上，并用一些有限樣本和漸近結果來表征估計的理論性能。 特別是，作者們證明了他們的過程是最優的，在某些情景下他們的方法要比通過自動平衡偏差和方差的經驗風險最小化方法有更快地收斂速率。他們給出的經驗性證據表明，在實踐中估計值確實會在訓練樣本的方差和絕對性能之間進行權衡。這種權衡相比于很多標準的經驗性風險最小化方法，在許多分類問題上的測試性能都提升。
論文地址：https://papers.nips.cc/paper/6890-variance-based-regularization-with-convex-objectives.pdf
A Linear-Time Kernel Goodness-of-Fit Test
一種線性時間核的擬合優度測試方法
作者們提出了一中全新的擬合優度（goodness-of-fit）的適應性測試，其計算成本與樣本的數量呈線性關系。作者們通過最小化假陰性率（the false negative rate）來學習最能表明觀測樣本和參考樣本之間差異的測試特性。這種特性是通過 Stein 方法構造的，這意味著沒有必要計算模型的歸一化常數。作者們分析了新測試的漸近 Bahadur 效率，并證明了在均值偏移的情況下，無論測試中的那個參數都比之前的線性時間核測試具有更高的相對效率。在實驗中，作者們的方法的性能超過早期的線性時間測試，與二次時序核測試的能力相匹配（甚至超過它）。在高維以及可以使用模型結構的情況下，作者們的擬合優度測試即使只用從模型中抽取的樣本，也能比基于最大平均偏差（Maximum Mean Discrepancy）的二次時序、雙樣本測試表現得更好。
論文地址：https://papers.nips.cc/paper/6630-a-linear-time-kernel-goodness-of-fit-test.pdf
Random Features for Large-Scale Kernel Machines （NIPS 2007）
用于大規模核學習機器的隨機特征方法
論文摘要：為了提高核學習機器的訓練速度，這篇論文中提出了一種把輸入數據映射到隨機的低維特征空間中，然后再使用現有的快速線性化算法的方法。作者們是按照這樣的條件設計隨機特征的：映射后的數據的內積要和用戶指定的具有平移不變性的核的特征空間中的數據內積近似相等。作者們在兩組隨機的特征上進行了實驗，并給它們的逼近各種徑向基函數的能力設定了收斂界限，結果表明在大規模分類和回歸任務中，使用了這些特征的線性機器學習算法要比當前最好的大規模核學習機器表現更好。
論文地址：http://www.seas.upenn.edu/~cis520/papers/random_features_for_SVM.pdf
NIPS 2017 會一直進行到 12月9日 （北京時間12月10日），會議進行期間雷鋒網 AI 科技評論會繼續帶來各方面報道，請繼續關注我們。
相關文章：
NIPS 2017今天開啟議程，谷歌科學家竟然組團去了450人，還都不是去玩的！
帶你搶先看：6000個滿腦子機器學習的人一起開會會是什么樣？| NIPS 2017
DeepMind 16篇NIPS 2017論文，全部信息都在這里了 | NIPS 2017
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
