0
雷鋒網(wǎng) AI 科技評(píng)論按：人工智能領(lǐng)域最熱門會(huì)議之一的 NIPS 已經(jīng)開幕了，新鮮報(bào)道紛至沓來。
今年 NIPS 2017 中，接近6000人參會(huì)、3240篇論文投稿、678篇接收論文的幾個(gè)數(shù)字都創(chuàng)下了歷史記錄；甚至僅僅谷歌一家公司就有450人到場(chǎng)、45篇收錄論文，可以說是非常嚇人了。我們甚至擔(dān)心，所有參加會(huì)議的接近6000名參會(huì)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(gè)滿腦子機(jī)器學(xué)習(xí)的人一起開會(huì)會(huì)是什么樣？）
隨著正會(huì)開始，NIPS 2017 的三篇最佳論文獎(jiǎng)和一篇 Test of Time Award 獲獎(jiǎng)?wù)撐亩家呀?jīng)公布出來，我們先放下前面的擔(dān)憂，看看這幾篇論文內(nèi)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(nèi)基梅隆大學(xué)德?lián)?AI 的論文）
論文摘要：對(duì)于不完全信息的博弈來說，一個(gè)子博弈的最優(yōu)策略可能也會(huì)取決于其它的、沒有遇到的子博弈中的策略。所以一個(gè)子博弈不可以單獨(dú)求解，必須把基于整個(gè)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(duì)整個(gè)博弈求解，然后再對(duì)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(shí)際效果方面都要超越以往的方法。作者們同時(shí)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(dòng)作抽象范圍之外的對(duì)手動(dòng)作；這也比先前的最好方法“動(dòng)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(jìn)行的過程中反復(fù)運(yùn)用，這也帶來了遠(yuǎn)低小于之前的探索空間。這些技術(shù)都是第一個(gè)在一對(duì)一無限注德州撲克單挑中打敗頂尖人類選手的 AI 的關(guān)鍵組成部分。
雷鋒網(wǎng)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(duì)象的基于方差的正則化方法
作者們開發(fā)了一種風(fēng)險(xiǎn)最小化和隨機(jī)優(yōu)化的方法，該方法為方差提供了一個(gè)凸代替項(xiàng)（convex surrogate），并能夠允許在近似和估計(jì)誤差之間實(shí)現(xiàn)接近最優(yōu)且計(jì)算效率高的權(quán)衡。 作者們的方法建立在分布魯棒性優(yōu)化和 Owen 經(jīng)驗(yàn)似然值的技術(shù)基礎(chǔ)之上，并用一些有限樣本和漸近結(jié)果來表征估計(jì)的理論性能。 特別是，作者們證明了他們的過程是最優(yōu)的，在某些情景下他們的方法要比通過自動(dòng)平衡偏差和方差的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化方法有更快地收斂速率。他們給出的經(jīng)驗(yàn)性證據(jù)表明，在實(shí)踐中估計(jì)值確實(shí)會(huì)在訓(xùn)練樣本的方差和絕對(duì)性能之間進(jìn)行權(quán)衡。這種權(quán)衡相比于很多標(biāo)準(zhǔn)的經(jīng)驗(yàn)性風(fēng)險(xiǎn)最小化方法，在許多分類問題上的測(cè)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(shí)間核的擬合優(yōu)度測(cè)試方法
作者們提出了一中全新的擬合優(yōu)度（goodness-of-fit）的適應(yīng)性測(cè)試，其計(jì)算成本與樣本的數(shù)量呈線性關(guān)系。作者們通過最小化假陰性率（the false negative rate）來學(xué)習(xí)最能表明觀測(cè)樣本和參考樣本之間差異的測(cè)試特性。這種特性是通過 Stein 方法構(gòu)造的，這意味著沒有必要計(jì)算模型的歸一化常數(shù)。作者們分析了新測(cè)試的漸近 Bahadur 效率，并證明了在均值偏移的情況下，無論測(cè)試中的那個(gè)參數(shù)都比之前的線性時(shí)間核測(cè)試具有更高的相對(duì)效率。在實(shí)驗(yàn)中，作者們的方法的性能超過早期的線性時(shí)間測(cè)試，與二次時(shí)序核測(cè)試的能力相匹配（甚至超過它）。在高維以及可以使用模型結(jié)構(gòu)的情況下，作者們的擬合優(yōu)度測(cè)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(shí)序、雙樣本測(cè)試表現(xiàn)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(guī)模核學(xué)習(xí)機(jī)器的隨機(jī)特征方法
論文摘要：為了提高核學(xué)習(xí)機(jī)器的訓(xùn)練速度，這篇論文中提出了一種把輸入數(shù)據(jù)映射到隨機(jī)的低維特征空間中，然后再使用現(xiàn)有的快速線性化算法的方法。作者們是按照這樣的條件設(shè)計(jì)隨機(jī)特征的：映射后的數(shù)據(jù)的內(nèi)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(shù)據(jù)內(nèi)積近似相等。作者們?cè)趦山M隨機(jī)的特征上進(jìn)行了實(shí)驗(yàn)，并給它們的逼近各種徑向基函數(shù)的能力設(shè)定了收斂界限，結(jié)果表明在大規(guī)模分類和回歸任務(wù)中，使用了這些特征的線性機(jī)器學(xué)習(xí)算法要比當(dāng)前最好的大規(guī)模核學(xué)習(xí)機(jī)器表現(xiàn)更好。
論文地址：http://www.seas.upenn.edu/~cis520/papers/random_features_for_SVM.pdf
NIPS 2017 會(huì)一直進(jìn)行到 12月9日 （北京時(shí)間12月10日），會(huì)議進(jìn)行期間雷鋒網(wǎng) AI 科技評(píng)論會(huì)繼續(xù)帶來各方面報(bào)道，請(qǐng)繼續(xù)關(guān)注我們。
相關(guān)文章：
NIPS 2017今天開啟議程，谷歌科學(xué)家竟然組團(tuán)去了450人，還都不是去玩的！
Facebook發(fā)出NIPS節(jié)目單：精彩研究馬上登臺(tái)亮相
帶你搶先看：6000個(gè)滿腦子機(jī)器學(xué)習(xí)的人一起開會(huì)會(huì)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(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。
