一览 CMU 的 33 篇 ICML 2019 论文_凤凰网科技

一览 CMU 的 33 篇 ICML 2019 论文

2019/05/10 10:00优质科技领域创作者来自广东

雷锋网 AI 科技评论按：机器学习顶会 ICML 2019 近期公布了接收论文清单，多家企业研究院也

雷锋网 AI 科技评论按：机器学习顶会 ICML 2019 近期公布了接收论文清单，多家企业研究院也按惯例介绍了自己的录用论文。不过新鲜的是，今年卡耐基梅隆大学（CMU）也专门发博客列出了来自 CMU 师生的录用论文，一共有 33 篇之多。其实 UC 伯克利、斯坦福、CMU 等计算机领域实力很强的高校每年都有许多顶会论文，多样性和深度也都很好，但是宣传力度往往比不上企业级 AI 研究机构。所以 CMU 这篇博客也提醒了各位不要忘了顶级高校的学术实力，到时参会的研究人员也可以到他们的海报前一期讨论这些前沿研究进展。

雷锋网 AI 科技评论把论文列表简单介绍如下。

Statistical Foundations of Virtual Democracy
- “虚拟民主”算法的统计学基础
  
  http://procaccia.info/papers/virtual.pdf
  
  TarMAC: Targeted Multi-Agent Communication
  - TarMAC：有目标的多智能体通讯
    
    https://arxiv.org/abs/1810.11187
    
    A Kernel Theory of Modern Data Augmentation
    - 现代数据扩增的一种核理论
      
      https://arxiv.org/abs/1803.06084
      
      Myopic Posterior Sampling for Adaptive Goal Oriented Design of Experiments
      - 用于适应性目标向的实验设计的短视后验抽样
        
        Nearest neighbor and kernel survival analysis: Nonasymptotic error bounds and strong consistency rates
        
        最近邻以及核生存方法的分析：非渐近性的错误边界以及强相关性率
        
        Policy Certificates: Towards Accountable Reinforcement Learning
        
        策略证书：向着可靠的强化学习
        
        https://arxiv.org/abs/1811.03056
        
        Deep Counterfactual Regret Minimization
        
        深度反事实后悔最小化方法
        
        https://arxiv.org/abs/1811.00164
        
        Domain Adaptation with Asymmetrically-Relaxed Distribution Alignment
        
        通过非对称释放的分布对齐进行的领域适应
        
        https://arxiv.org/abs/1903.01689
        
        （有趣的是，这篇论文第一作者的名字是 Yifan Wu）
        
        Provably efficient RL with Rich Observations via Latent State Decoding
        
        通过潜状态编码实现丰富观察，得到可证明的高效强化学习
        
        https://arxiv.org/abs/1901.09018
        
        A Baseline for Any Order Gradient Estimation in Stochastic Computation Graphs
        
        可以用于任意阶的随机计算图的梯度估计的基线方法
        
        Gradient Descent Finds Global Minima of Deep Neural Networks
        
        梯度下降可以找到深度神经网络的局部极小值
        
        https://arxiv.org/abs/1811.03804
        
        Stable-Predictive Optimistic Counterfactual Regret Minimization
        
        稳定预测的乐观反事实后悔最小化方法
        
        https://arxiv.org/abs/1902.04982
        
        Regret Circuits: Composability of Regret Minimizers
        
        后悔循环：不同后悔最小化方法的可组合性
        
        https://arxiv.org/abs/1811.02540
        
        Provable Guarantees for Gradient-Based MetaLearning
        
        基于梯度的元学习方法的可证明的保证
        
        https://arxiv.org/abs/1902.10644
        
        Dimensionality Reduction for Tukey Regression
        
        土耳其回归方法的降维
        
        Certified Adversarial Robustness via Randomized Smoothing
        
        通过随机平滑达到可证明的对抗性鲁棒性
        
        https://arxiv.org/abs/1902.02918
        
        Provably Efficient Imitation Learning from Observation Alone
        
        证明仅仅从观察就可以实现高效的模仿学习
        
        SATNet: Bridging deep learning and logical reasoning using a differentiable satisfiability solver
        
        SATNet：通过可微分可满足性解算器连接深度学习和逻辑推理
        
        Collective Model Fusion for Multiple Black-Box Experts
        
        多个黑盒专家的群体模型融合方法
        
        http://kingsfordlab.cbd.cmu.edu/publication/hoang-2019-fusion/
        
        Fine-Grained Analysis of Optimization and Generalization for Overparameterized Two-Layer Neural Networks
        
        过参数化的双层神经网络的优化及泛化性的细粒度分析
        
        https://arxiv.org/abs/1901.08584
        
        Width Provably Matters in Optimization for Deep Linear Neural Networks
        
        在深度线性神经网络中证明宽度也有作用
        
        https://arxiv.org/abs/1901.08572
        
        Causal Discovery and Forecasting in Nonstationary Environments with State-Space Models
        
        在非固定环境下用状态空间模型进行因素发现和预测
        
        Uniform Convergence Rate of the Kernel Density Estimator Adaptive to Intrinsic Volume Dimension
        
        让核密度估计器的统一化收敛速度适应本征体积维度
        
        https://arxiv.org/abs/1810.05935
        
        Faster Algorithms for Boolean Matrix Factorization
        
        更快的布尔矩阵分解算法
        
        Contextual Memory Trees
        
        背景记忆树
        
        https://arxiv.org/abs/1807.06473
        
        Fault Tolerance in Iterative-Convergent Machine Learning
        
        迭代收敛机器学习方法的错误容忍度的研究
        
        https://arxiv.org/abs/1810.07354
        
        Wasserstein Adversarial Examples via Projected Sinkhorn Iterations
        
        通过投影 Sinkhorn 迭代生成 Wasserstein 对抗样本
        
        https://arxiv.org/abs/1902.07906
        
        Learning to Explore via Disagreement
        
        通过不一致学习探索
        
        What is the Effect of Importance Weighting in Deep Learning?
        
        深度学习中重要性权重的效果是什么？
        
        https://arxiv.org/abs/1812.03372
        
        Adversarial camera stickers: A physical camera-based attack on deep learning systems
        
        对抗性相机贴纸：针对深度学习系统的基于物理摄像机的攻击
        
        https://arxiv.org/abs/1904.00759
        
        On Learning Invariant Representation for Domain Adaptation
        
        关于为领域适应学习不变的表征
        
        https://arxiv.org/abs/1901.09453
        
        Finding Options that Minimize Planning Time
        
        寻找能够减少规划时间的方法
        
        https://arxiv.org/abs/1810.07311
        
        Tight Kernel Query Complexity of Kernel Ridge
        
        核岭回归的核查询复杂度分析
        
        ICML 2019 将于今年 6 月 10 日至 15 日在美国加州长滩举行。雷锋网 AI 科技评论到时也会进行多方位的报道，敬请继续关注。

打开APP阅读更多精彩内容