ICLR 2019共收到1591篇論文，錄取率為31.7%。這篇55頁、由布朗大學博士四年級學生David Abel總結(jié)整理的ICLR 2019參會Highlights筆記，提煉了演講和會談亮點，通篇干貨！

作為今年上半年表現(xiàn)最為亮眼的人工智能頂會，ICLR 2019于5月6日至9日在美國新奧爾良舉行。本屆投稿比去年增長了近60%，共收到1591篇，錄取率為31.7%。

與往年一樣，本次大會每天分上午下午兩場。每場形式基本一樣，先是邀請演講（invited talk），然后是討論，也就是被選為能夠進行口頭發(fā)表（Oral）的論文、茶歇、海報展示（poster）。

邀請演講列表：

8個邀請演講主題：

Cynthia Dwork：算法公平性的進展

Leon Bottou：Learning Representations Using Causal Invariance

Emily Shuckburgh：機器學習能否有助于地球健康的檢查

Ian Goodfellow：對抗機器學習

Pierre-Yves Oudeyer：發(fā)展自主學習：人工智能，認知科學和教育技術(shù)

Zeynep Tufekci：雖然我們都擔心機器學習的失敗，但如果它成功了，潛伏著什么危險？

Mirella Lapata：用神經(jīng)模型學習自然語言界面

Noah Goodman：在上下文中學習語言

Criteo AI Lab給出的ICLR 2019提交的研究課題熱度：

今天，人工智能領(lǐng)域最為重要的學術(shù)會議之一IJCAI也公布了最終論文接收結(jié)果。IJCAI 2019共收到有效提交論文4752篇，比去年多了近1300篇，接收850篇，接受率為17.9%，相比去年有所下降。主辦方感慨今年論文提交數(shù)量確實多：

論文收錄結(jié)果出爐后，被收錄的自然紛紛曬出自己的收錄通知；而另一邊，落選者也表達了自己的遺憾之情。

那么ICLR 2019會場都有誰上臺演講了？他們都講了什么？下面新智元為大家?guī)硪环?5頁的ICLR 2019會議的Highlights筆記，由布朗大學博士四年級學生David Abel總結(jié)整理，通篇干貨。

David個人主頁：

https://david-abel.github.io/

這份筆記共分為3個部分，首先簡單介紹了大會的亮點；接著介紹了第一天的算法公平性演講和一些Workshop；后面主會部分提煉了部分演講和會談的亮點。

ICLR亮點：深度學習局限引爭論，元學習、圖神經(jīng)網(wǎng)絡(luò)最熱門

最近圍繞Rich Sutton的一篇《痛苦的教訓》引發(fā)很多討論，也在本次會議上進行了辯論。SPiRL研討會2的小組討論也有很多關(guān)于這個主題的見解，SPiRL研討會非常出色。演講者陣容，演講和小組都很特別。

比較熱門的話題有元學習，非常受歡迎，特別是meta RL；還有圖神經(jīng)網(wǎng)絡(luò)。

David表示筆記中涉及到的演講都是他最喜歡的，并特別提出了在RL中學習抽象/層次結(jié)構(gòu)的一些非常好的論文，包括Nachum等人的“Near-Optimal Representation Learning for Hierarchical Reinforcement Learning”；Levy等人的“Learning Multi-Level Hierarchies with Hindsight”；Koul等人的“Learning Finite State Representations of Recurrent Policy Networks”。

下面新智元為大家介紹其中部分Keynote內(nèi)容，文末負有完整筆記PDF文檔供大家下載。

主旨演講1：當前算法公平性的進展

算法公平性的議題早在9年前就被提出來了，今年是微軟杰出科學家Cynthia Dwork在這個領(lǐng)域持續(xù)研究的第八年。她觀察發(fā)現(xiàn)，算法對我們某些經(jīng)歷的控制越來越嚴重，比如我們網(wǎng)上觀看的廣告、申請貸款的資質(zhì)、選擇大學等等。如此一來，算法的公平性就顯得尤為重要，尤其是對算法越來越依賴的今天。

在Keynote中，Cynthia Dwork提出兩個觀點：

算方是不公平的，數(shù)據(jù)不具備代表性，標簽會體現(xiàn)出偏見

算法能夠?qū)ξ覀兊纳钇鸬椒浅４蟮母淖?。舉例：

房屋按揭條款

拘留/釋放

藥物和健康

決定一個孩子是否被從家中送走

很多論文都提到被上述例子震驚到：沒想到算法對我們的影響如此之大。

接著Dwork給出了算法公平性需要滿足兩個定義，首先是群體公平性；其次是個體公平性。

什么是群體公平性呢？舉個例子，學生入學的資格應(yīng)該是平等的；或者，優(yōu)秀班級和差的班級應(yīng)該達成一種平衡。

個體公平性指的是在給定的分類任務(wù)方面，相似的人應(yīng)該得到類似的對待。

Dwork提出實現(xiàn)算法公平性的幾點嘗試，例如可以通過匯總從少數(shù)代表獲得的近似值來實現(xiàn)視差，彌合群體與個人公平性之間代溝等。

主旨演講2：利用機器學習對地球健康進行檢查

氣候?qū)W家Emily Shuckburgh提到，地球上二氧化碳濃度增長迅猛。

最近一項關(guān)于生物多樣性的研究表示，在接下來的幾十年中，將會有100萬種物種面臨滅絕的危險。那么機器學習在地球健康檢查中，能夠起到哪些作用呢？

Emily Shuckburgh指出，我們現(xiàn)在迫切需要了解有關(guān)氣候風險的可操作信息，以及從自然災(zāi)害（例如洪水、干旱等）、生物多樣性變化導致的影響、生物鏈和自然世界（例如珊瑚礁，森林，北極海冰，永久凍土等）中發(fā)現(xiàn)潛在的風險和結(jié)果。

目前在地球氣候變化方面，我們有大量可用數(shù)據(jù)，包括來自衛(wèi)星、水下探測機器人設(shè)備、探測器網(wǎng)絡(luò)、電腦的模擬環(huán)境以及眾包。這些數(shù)據(jù)的數(shù)量，遠遠超出了我們?nèi)祟惖奶幚砟芰Α?/p>

Emily Shuckburgh認為機器學習可以在從3個方面提供行星健康檢查，分別是：對行星進行監(jiān)控、找出癥結(jié)并進行治療。

主旨演講3：利用AI研究兒童學習行為

法國國家信息與自動化研究所（Inria）的AI研究員Pierre-Yves Oudeyer提到，孩子是非凡的學習者！不需要工程師監(jiān)督他們，手動調(diào)整他們的學習算法和環(huán)境的每個方面。

兒童行為的研究，可以為以下3個領(lǐng)域提供指導：

認知科學：理解人類發(fā)展和學習

機器人：終身和自主學習的新理論

在教育技術(shù)中的應(yīng)用

Oudeyer舉了3個例子：

在機器人中設(shè)計運動和感知原始物的形態(tài)學，身體生長和成熟的研究

考慮語言習得，例如孩子們可以很快學會新語言

內(nèi)在動機，游戲和好奇心

主旨演講4：機器學習威脅論

科技社會學家Zeynep Tufekci提到科學是一把雙刃劍，比如很多人從小想當物理學家，結(jié)果許多物理學家遇到了核武器的問題，科學領(lǐng)域進步面臨大規(guī)模道德問題。

最近在歐洲核子研究中心，700人擔心如何分配諾貝爾獎；與此同時在計算機科學領(lǐng)域，我們擔心我們的工具會對社會、安全、勞動力、氣候、社會基礎(chǔ)設(shè)施等的影響。

Tufekci提到，我們是這個世界的一部分，我們開發(fā)出來的工具也是，而這些工具也不一定會按照我們希望的方式被使用，它可以向善也可以為惡。我們需要擔心的是：如果機器學習有效，我們該怎么辦？我們給了這個世界什么？