雷鋒網 AI 科技評論：作為人工智能 & 機器學習領域歷史最悠久的學術會議之一，NeurIPS 2018 今年可說是花邊不斷，先是 9 月份開售的正會門票在 11 分鐘內售罄，導致許多搶不到票的人士恨得心癢癢；再來便是迫于各方的聲討壓力，組委會從 10 月份堅持「不改名」到 11 月份悄悄將官網名稱 NIPS 替換成 NeurIPS ；一直到最近 Twitter 上又爆出相當一部分研究人員因為被加拿大拒簽而無法參加會議，當中包括來自國內的學者。

無論如何，經歷了一系列「水逆」的 NeurIPS 2018 終于要在今日正式開幕，憑借嚴謹的學術成果跟大家進行交流，雷鋒網 AI 科技評論今日就帶大家了解今年的會議有哪些值得關注的亮點。

會議詳情

今年的 NeurIPS 在 2018 年 12 月 3 日（一）——2018 年 12 月 8 日（六）舉行，地點位于加拿大蒙特利爾會展中心（Palais des Congrès de Montréal）。NeurIPS 2018 共計有 9 場 Tutorial 、7 場 Talk 、30 場 Oral 、168 篇 Spotlight 和 41 場 Workshop，華人學者主要見于 Oral（5 場）、Spotlight（47 場）及 Workshop（3 場）環(huán)節(jié)。其中 NeurIPS 2018 的 Tutorial 、主會議、Workshop 和 Competition Track 的具體舉行時間如下：

• Tutorial：12 月 3 日（一）——12 月 4 日（二）

• 主會議：12 月 4 日（二）——12 月 6 日（四）

• Workshop：12 月 7 日（五）——12 月 8 日（六）

• Competition Track：12 月 7 日（五）

今年大會主席是來自谷歌的研究科學家 Samy Bengio，他是深度學習領域大牛 Yoshua Bengio 的兄弟，在去年尚未改名的 NIPS 會議中擔任大會程序委員會主席（Program Chair）一職。Samy Bengio 是谷歌大腦的核心領導成員之一，專注于機器學習領域，研究的對象包括 deep architectures 、表示學習、序列處理、語音識別、圖像理解、大規(guī)模機器學習、對抗樣本等內容。Samy Bengio 常年活躍于各大頂級人工智能會議（如 BayLearn、MLMI、IEEE、NNSP 等），同時也是 ICML、ICLR、ECML 和 IJCAI 會議的項目委員之一。

值得一提的是，今年的會議依然受到中國企業(yè)的青睞。我們在贊助名單中發(fā)現了 11 家來自中國的企業(yè)，其中百度、阿里巴巴、字節(jié)跳動和螞蟻金服為鉑金贊助單位；小馬智行和華為為黃金贊助商；360、松鼠 AI、伏羲實驗室、騰訊 AI Lab 和滴滴出行為白銀贊助商。（NeurIPS 2018 贊助等級從高到低為：鉆石、鉑金、黃金、白銀）

論文

據雷鋒網 AI 科技評論了解，今年的 NeurIPS 收到了史無前例的 4856 篇投稿，相比去年的 3240 篇，增加了 50%；會議最終接受論文 1011 篇，接受率達到 20.8%，與去年持平；其中 Spotlight 共有 168 篇，占 3.5%，Oral 則有 30 篇，占 0.6%。

企業(yè)方面，會議的常年「霸主」谷歌今年依舊表現亮眼，Google Research 今年被收錄的論文數量達到了 107 篇，占論文總收錄量的 10.5%，遠超排名第二、三的微軟（46 篇）和 Deepmind（45 篇）。其中有實力在論文數量上與美國企業(yè)一爭高下的國內企業(yè)是騰訊 AI Lab，它一共有 17 篇文章被 NeurIPS 2018 收錄，榜上排名第六。

高校方面，MIT 以 68 篇的論文數量把所有高校甩在后頭，勇奪第一，而斯坦福大學（57 篇）、CMU（53 篇）、加州大學伯克利分校（45 篇）、佐治亞理工學院（33 篇）則分別排在第二至五名。其中表現亮眼的國內高校是清華大學，它一共有 21 篇論文被 NIPS 2018 收錄，榜上排名第十。

我們可以看到，今年「屠榜」NeurIPS 會議的依舊是來自美國的企業(yè)和高校，說明美國的科研能力依然處在世界領先水平。與之相對應的是，華人學者的影響力也逐漸在增強，無論是來自國內還是國外的單位，比如來自南京大學的張利軍就有 3 篇論文被收錄，CMU 教授邢波則是 8 篇，微軟研究院的朱澤園 6 篇。（不完全統(tǒng)計）

大會演講

今年的 NeurIPS 一共安排了 7 場 Talk，內容涵蓋數據科學、機器學習、生物神經、強化學習、計算機系統(tǒng)設計等領域，雷鋒網 AI 科技評論將詳細的演講詳情整理如下：

• 《數據科學的問責機制缺失：為何我們應該建設具有包容性的人工智能》．《Lack of Accountability in Data Science: Why We Should All Be Building Inclusive AI》（主講人：Atipica 創(chuàng)始人 Laura Gomez）

嘉賓將在演講中為我們闡述分析數據在多樣性上的缺失如何導致偏見算法的產生，由此產生有缺陷的產品，最終如何走向技術的不道德之路。

• 《當機器學習遇上公共政策:我們應該期望什么以及如何應對》．《Machine Learning Meets Public Policy: What to Expect and How to Cope》（主講人：普林斯頓大學計算機科學與公共事務教授 Edward W Felten）

人工智能與機器學習如今已對世界產生了巨大的影響。政策的制定者們已經開始注意到這種變化，制定相關的法律法規(guī)以及跟相關人士展開對話來管理技術的發(fā)展。在演講中，嘉賓會概述政策制定者們應對新技術變化的決策流程，以及這些政策將如何在人工智能與機器學習領域發(fā)展與落地，此外，他也將分享有建設性地參與政策過程將如何為人工智能領域、政府和社會帶來「三贏」局面。

• 《你的身體在想什么:神經系統(tǒng)、原始認知、合成形態(tài)學以外的生物電計算》．《What Bodies Think About: Bioelectric Computation Outside the Nervous System, Primitive Cognition, and Synthetic Morphology》（主講人：塔夫茨大學教授 Michael Levin）

大腦的計算能力并非我們所想象中的那般具有獨特性。研究發(fā)現，細菌、植物和單細胞生物就展現出了學習方面的可塑性；神經系統(tǒng)速度優(yōu)化的信息處理能力于生命之樹中無處不在，且在神經元進化之前已經從多個維度上存在。需要強調的是，非神經計算對于單個細胞創(chuàng)造和修復復雜且大規(guī)模的人體結構而言尤其重要。我們發(fā)現，生物電信號能夠使那些帶有模式記憶的所有類型的細胞組成網絡，來引導人體結構進行大規(guī)模的形成與生長。在這場演講中，嘉賓將會簡單介紹發(fā)育生物電領域的基礎知識，并展示這個新概念與其方法上的成熟性，如何在不進行基因編輯的情況下使重寫形態(tài)的模式記憶成為可能。實際上，這些策略可以讓我們對實現多細胞模式目標的生物軟件進行重編程。此外，嘉賓還將展示該策略在再生醫(yī)學和認知神經可塑性領域的應用實例，并說明策略將如何對合成生物工程、機器人和機器學習的未來造成影響。

• 《具有可再生性、可重用、魯棒性的強化學習》．《Reproducible, Reusable, and Robust Reinforcement Learning》（主講人：麥吉爾大學副教授 Joelle Pineau）

這些年我們在深度強化學習方面取得了顯著的成績。然而，我們要想直接重現深度強化學習的顯著效果依然面臨著困難。此外，當環(huán)境或獎勵機制具有很強的隨機性時，一些高方差的方法將使學習變得困難。另外，領域或實驗過程中出現小擾動有可能導致最終的結果不穩(wěn)定。在這場演講中，嘉賓將回顧深度強化學習領域在實驗技術與匯報程序上面臨的挑戰(zhàn)，并提供可以讓實驗結果變得具有再生性、可重用性與魯棒性的研究成果與指導方案。

• 《人工智能信任現象調查》．《Investigations into the Human-AI Trust Phenomenon》（主講人：佐治亞理工學院計算機學院交互計算學院院長 Ayanna Howard）

隨著智能系統(tǒng)在日常中與人類的接觸變得頻繁，我們有必要謹慎地審視信任在其中扮演的角色。在我們的研究中，信任主要傳遞了這么一個概念：當人類與智能系統(tǒng)進行互動時，往往會表現出與其他人類互動時類似的行為，可能會誤解將他們的決定推遲到機器上的相關風險。偏見又進一步加劇了這種毀掉信任的潛在風險，這些智能系統(tǒng)正是通過模仿我們的思維決策過程來進行學習，由此繼承了我們的隱含偏見。在這場演講中，嘉賓將結合近期在實際場景中與人們進行互動的智能系統(tǒng)鏡頭來討論這個現象。

• 《讓算法更值得信賴：統(tǒng)計科學可以為算法的透明度、可解釋性以及數據驗證做些什么？》．《Making Algorithms Trustworthy: What Can Statistical Science Contribute to Transparency, Explanation and Validation?》（主講人：劍橋大學數學科學中心的統(tǒng)計學家 David Spiegelhalter）

在自動化建議系統(tǒng)領域，對透明度、可解釋性和數據驗證的需求并非什么新鮮事。早在 20 世紀 80 年代，就已經存在基于規(guī)則的系統(tǒng)和基于更加透明的統(tǒng)計模型的系統(tǒng)之間的討論（這些討論有時還挺激烈）?；谒幬镩_發(fā)的評估標準，我們建立了一個醫(yī)療咨詢系統(tǒng)，其評估過程一共分為是分為四階。最近，歐盟立法尤其關注算法的能力實現，在必要的情況下可以向其展示系統(tǒng)的運作原理。在 Onora O'Neill 的可信度展示強調以及「智能透明度」的理念啟發(fā)下，我們可以在理想的情況下檢測以下幾點：

（a）算法的經驗基礎；

（b）過去的表現；

（c）當前推論的背后原理，其中包括臨界點和假設；

（d）當前推論的不確定性，包括最新案件是否屬于其職權范圍。

再者，這些解釋應該對不同水平的專家們開放。

這一演講將通過 Predict 2.1 系統(tǒng)來進行說明，系統(tǒng)主要針對乳腺癌手術后選擇輔助治療的女性，該系統(tǒng)基于競爭風險生存回歸模型，并與專業(yè)心理學家合作開發(fā)，與此同時還與臨床醫(yī)生和患者們保持著密切的合作。Predict 2.1 系統(tǒng)對于輔助治療的潛在益處和危害共有四個層次的解釋，目前在全世界每個月進行大約 25,000 個臨床決策。

• 《為 Software 2.0 時代設計一款計算機系統(tǒng)》．《Designing Computer Systems for Software 2.0》（主講人：斯坦福大學電氣工程和計算機科學系教授 Kunle Olukotun）

通過機器學習從數據生成模型正在取代許多傳統(tǒng)的軟件開發(fā)方法。這種在軟件開發(fā)方法上的根本性轉變，姑且稱作 Software 2.0，給我們的應用程序的質量和易部署性提供了顯著的改進。為了讓 Software 2.0 的輝煌得以延續(xù)，我們必須提供一款專門為機器學習應用量身定制，具有強大功能以及操作上高效靈活的計算機系統(tǒng)。嘉賓將在這場演講中描述一種優(yōu)化計算機系統(tǒng)以滿足機器學習應用要求的設計方法。這種全棧式設計方法集成了針對應用程序特性和現代硬件優(yōu)勢的機器學習算法，針對可編程性和表現性能的特定領域語言和高級編譯技術，以及有效實現高靈活性和高能量效率的硬件架構。

結語

作為人工智能 & 機器學習領域歷史最悠久的學術會議之一，我們可以將會議中的成果視作人工智能領域的研究「風向標」。作為「最佳論文」強而有力的競爭者，今年的 30 篇 Oral 論文選題上主要集中在這幾塊內容上：神經網絡/模塊/損失函數的理論分析、反向傳播及最優(yōu)化過程、從策略到結構對強化學習的整體研究等。

隨著會議的開幕，更多的學術成果將進一步揭開面紗，雷鋒網 AI 科技評論接下來將繼續(xù)保持關注，及時為大家送上第一手消息。

                                                                                                          

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。