雷鋒網(wǎng) AI 科技評論：作為人工智能 & 機器學(xué)習領(lǐng)域歷史最悠久的學(xué)術(shù)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(nèi)售罄，導(dǎo)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(wǎng)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(nèi)的學(xué)者。

無論如何，經(jīng)歷了一系列「水逆」的 NeurIPS 2018 終于要在今日正式開幕，憑借嚴謹?shù)膶W(xué)術(shù)成果跟大家進行交流，雷鋒網(wǎng) AI 科技評論今日就帶大家了解今年的會議有哪些值得關(guān)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(xué)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(xué)家 Samy Bengio，他是深度學(xué)習領(lǐng)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(lǐng)導(dǎo)成員之一，專注于機器學(xué)習領(lǐng)域，研究的對象包括 deep architectures 、表示學(xué)習、序列處理、語音識別、圖像理解、大規(guī)模機器學(xué)習、對抗樣本等內(nèi)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(xiàn)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(jù)雷鋒網(wǎng) 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(xiàn)亮眼，Google Research 今年被收錄的論文數(shù)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(shù)量上與美國企業(yè)一爭高下的國內(nèi)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(shù)量把所有高校甩在后頭，勇奪第一，而斯坦福大學(xué)（57 篇）、CMU（53 篇）、加州大學(xué)伯克利分校（45 篇）、佐治亞理工學(xué)院（33 篇）則分別排在第二至五名。其中表現(xiàn)亮眼的國內(nèi)高校是清華大學(xué)，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(lǐng)先水平。與之相對應(yīng)的是，華人學(xué)者的影響力也逐漸在增強，無論是來自國內(nèi)還是國外的單位，比如來自南京大學(xué)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(nèi)容涵蓋數(shù)據(jù)科學(xué)、機器學(xué)習、生物神經(jīng)、強化學(xué)習、計算機系統(tǒng)設(shè)計等領(lǐng)域，雷鋒網(wǎng) AI 科技評論將詳細的演講詳情整理如下：

• 《數(shù)據(jù)科學(xué)的問責機制缺失：為何我們應(yīng)該建設(shè)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(shù)據(jù)在多樣性上的缺失如何導(dǎo)致偏見算法的產(chǎn)生，由此產(chǎn)生有缺陷的產(chǎn)品，最終如何走向技術(shù)的不道德之路。

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

人工智能與機器學(xué)習如今已對世界產(chǎn)生了巨大的影響。政策的制定者們已經(jīng)開始注意到這種變化，制定相關(guān)的法律法規(guī)以及跟相關(guān)人士展開對話來管理技術(shù)的發(fā)展。在演講中，嘉賓會概述政策制定者們應(yīng)對新技術(shù)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(xué)習領(lǐng)域發(fā)展與落地，此外，他也將分享有建設(shè)性地參與政策過程將如何為人工智能領(lǐng)域、政府和社會帶來「三贏」局面。

• 《你的身體在想什么:神經(jīng)系統(tǒng)、原始認知、合成形態(tài)學(xué)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(xué)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(xiàn)，細菌、植物和單細胞生物就展現(xiàn)出了學(xué)習方面的可塑性；神經(jīng)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(jīng)元進化之前已經(jīng)從多個維度上存在。需要強調(diào)的是，非神經(jīng)計算對于單個細胞創(chuàng)造和修復(fù)復(fù)雜且大規(guī)模的人體結(jié)構(gòu)而言尤其重要。我們發(fā)現(xiàn)，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(wǎng)絡(luò)，來引導(dǎo)人體結(jié)構(gòu)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(lǐng)域的基礎(chǔ)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(xiàn)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(xué)和認知神經(jīng)可塑性領(lǐng)域的應(yīng)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(xué)習的未來造成影響。

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

這些年我們在深度強化學(xué)習方面取得了顯著的成績。然而，我們要想直接重現(xiàn)深度強化學(xué)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(xué)習變得困難。另外，領(lǐng)域或?qū)嶒炦^程中出現(xiàn)小擾動有可能導(dǎo)致最終的結(jié)果不穩(wěn)定。在這場演講中，嘉賓將回顧深度強化學(xué)習領(lǐng)域在實驗技術(shù)與匯報程序上面臨的挑戰(zhàn)，并提供可以讓實驗結(jié)果變得具有再生性、可重用性與魯棒性的研究成果與指導(dǎo)方案。

• 《人工智能信任現(xiàn)象調(diào)查》．《Investigations into the Human-AI Trust Phenomenon》（主講人：佐治亞理工學(xué)院計算機學(xué)院交互計算學(xué)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(xiàn)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(guān)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(xué)習，由此繼承了我們的隱含偏見。在這場演講中，嘉賓將結(jié)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(xiàn)象。

• 《讓算法更值得信賴：統(tǒng)計科學(xué)可以為算法的透明度、可解釋性以及數(shù)據(jù)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(xué)數(shù)學(xué)科學(xué)中心的統(tǒng)計學(xué)家 David Spiegelhalter）

在自動化建議系統(tǒng)領(lǐng)域，對透明度、可解釋性和數(shù)據(jù)驗證的需求并非什么新鮮事。早在 20 世紀 80 年代，就已經(jīng)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）。基于藥物開發(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(guān)注算法的能力實現(xiàn)，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(diào)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(jīng)驗基礎(chǔ)；

（b）過去的表現(xiàn)；

（c）當前推論的背后原理，其中包括臨界點和假設(shè)；

（d）當前推論的不確定性，包括最新案件是否屬于其職權(quán)范圍。

再者，這些解釋應(yīng)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(shù)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(xué)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(shè)計一款計算機系統(tǒng)》．《Designing Computer Systems for Software 2.0》（主講人：斯坦福大學(xué)電氣工程和計算機科學(xué)系教授 Kunle Olukotun）

通過機器學(xué)習從數(shù)據(jù)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(zhuǎn)變，姑且稱作 Software 2.0，給我們的應(yīng)用程序的質(zhì)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(xué)習應(yīng)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(xué)習應(yīng)用要求的設(shè)計方法。這種全棧式設(shè)計方法集成了針對應(yīng)用程序特性和現(xiàn)代硬件優(yōu)勢的機器學(xué)習算法，針對可編程性和表現(xiàn)性能的特定領(lǐng)域語言和高級編譯技術(shù)，以及有效實現(xiàn)高靈活性和高能量效率的硬件架構(gòu)。

結(jié)語

作為人工智能 & 機器學(xué)習領(lǐng)域歷史最悠久的學(xué)術(shù)會議之一，我們可以將會議中的成果視作人工智能領(lǐng)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(nèi)容上：神經(jīng)網(wǎng)絡(luò)/模塊/損失函數(shù)的理論分析、反向傳播及最優(yōu)化過程、從策略到結(jié)構(gòu)對強化學(xué)習的整體研究等。

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

                                                                                                          

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