Xin Zhiyuan Rehberi NeurIPS2018 bugün açıldı. Şangay Jiaotong Üniversitesi'nin Acemap ekibi, NeurIPS2018'in tüm makalelerini analiz etti ve ilk on'un neredeyse tamamının Amerikan kurumları olduğunu buldu. Tsinghua Üniversitesi, Çin Bilimler Akademisi ve Pekin Üniversitesi, en çok NeurIPS makalesini yayınlayan Çin kurumlarıdır. Xing Bo, Zhang Tong, Zhou Mingyuan, vb. İlk on içinde.
NeurIPS2018 burada!
Nöral Bilgi İşlem Sistemleri Konferansı (eski adıyla Sinirsel Bilgi İşleme Sistemleri, NeurIPS) yapay zeka ve makine öğrenimi alanındaki en önemli olaydır. 1987'deki doğumundan bu yana, bu akademik konferans 30 yılı aşkın bir tarihe sahiptir.
Çin Bilgisayar Topluluğu tarafından düzenlenen uluslararası akademik konferansların sıralamasında NeurIPS, yapay zeka alanında bir kategori A konferansıdır. Bu yılki konferans Kanada'nın Montreal kentinde yapıldı ve 3 Aralık'ta açıldı.
Şangay Jiaotong Üniversitesi'nin Acemap ekibi, NeurIPS2018'in tüm kağıtlarını analiz etti 1010 makale 2018'de, son üç yılda ve son beş yılda, sırasıyla akademisyenler, kurumlar ve ülkeler konferansta birinci yazar ve işbirlikçi olarak bildiri yayınladılar. Daha önemli bulgular da var:
Ek olarak, makalenin yazarları arasındaki ilişki de ortaya çıkarıldı ve bir kopyası Yazar ilişki diyagramı . Lütfen ayrıntılı sayfayı ziyaret edin:
https://acemap.info/ConferenceStatistics/MainPage?conf_name=NIPSconf_year=2018
Veya tıklayın Orijinali okuyun Görünüm.
NIPS2018 Üyelik İstatistikleri, 2018'de, son üç yılda ve son beş yılda NeurIPS konferansında çeşitli kurumlar tarafından yayınlanan makale sayısını sayar.Aşağıdaki şekil, en iyi on kurumu ve 2018'de yayınlanan makale sayısını (ilk yazarlar ve ilk olmayanlar dahil) göstermektedir. Yazar):
İstatistikler, Google, Microsoft ve Facebook'un sektördeki ilk 10 kurum arasında olduğunu, özellikle Google'ın 136 bildiri yayınladığını gösteriyor. Ayrıca, Microsoft ilk yazar kadar 57 makale yayınladı (Acemap resmi web sitesine bakın). Google'ın makine öğrenimi alanında çok büyük bir etkiye sahip olduğu görülüyor.
Aynı zamanda ilk 10'un neredeyse tamamının ABD kurumları olduğunu da görüyoruz ki bu da ABD'nin bu alandaki mutlak lider konumunu gösteriyor.
Zaman çizelgesi üç yıla uzandı ve ilk üç hala Google, MIT ve Stanford:
Son beş yıldaki en iyi üç oyuncu hala bu üç oyuncudur, bu yüzden burada ekran görüntüsü almayacağım. Yalnızca ilk yazarı / 2018'deki tüm yazarları içeren kurumların istatistikleri hakkında daha fazla bilgi, son üç yıl ve son beş yıl için lütfen şu adrese gidin: Acemap resmi web sitesi:
https://acemap.info/ConferenceStatistics/AuthorAffiliationRank?conf_name=NIPSconf_year=2018type_of_ranking=Affiliation
Google için Acemap ekibi, aşağıdaki şekilde gösterildiği gibi, yıllar içinde kurum tarafından NeurIPS makalelerinin yayınlanmasını da saydı:
Bunlar arasında dikey eksen yılı, yatay eksen ise kurum tarafından yayınlanan makale sayısını temsil eder. Kırmızı, ilk yazar olarak yayınlanan makale sayısıdır. İlk yazar olmayan tarafından siyah olarak yayınlanan makale sayısı.
Aynı zamanda, kuruluştaki ilk yazarın / ilk olmayan yazarın durumunu da sayar. En çok yayınlanan makalelere sahip yazar .
Yukarıdaki resimden de görebileceğiniz gibi, ilk yazar olarak Google tarafından yayınlanan en fazla makale sayısına sahip yazarlar şunlardır:
NeurIPS2018 Yazar İstatistikleri, 2018'deki NeurIPS konferansında her yazar tarafından yayınlanan makale sayısının sıralamasını, son üç yılda ve son beş yılda (tüm yazarlar dahil / yalnızca ilk yazar dahil) sayar. Aşağıdaki şekil 2018'deki en iyi on yazar ve makaleyi göstermektedir. Yayın sayısı (tüm yazarlar dahil):
Yukarıdaki resimden de görebileceğiniz gibi, ilk üçü Josh Tenenbaum, Eric Xing (Xing Bo) ve Michael Jordan.
İlk on arasında Çinli bilim adamları Eric Xing ( ), Tong Zhang ( ), Honglak Lee, Mingyuan Zhou () var.
Yukarıdakiler yalnızca 2018'deki ilk on yazarı göstermektedir (tüm yazarlar dahil). 2018'deki ayrıntılı sıralamalar, son üç yıl ve son beş yıl için (tüm yazarlar / yalnızca ilk yazar dahil), lütfen web sitesini ziyaret edin:
https://acemap.info/ConferenceStatistics/AuthorAffiliationRank?conf_name=NIPSconf_year=2018type_of_ranking=Author
Buna ek olarak, NeurIPS'in son on yıldaki kabul oranı, gönderim hacmi ve makale sayısı da aşağıdaki şekilde gösterildiği gibi sayıldı:
Bunlar arasında yeşil, gönderimlerin sayısı, mor, ara gönderimlerin sayısıdır ve eğri, kabul oranını temsil eder. 2018'de 4856 başvuru sayısının 2017'de 3240, 2016'da 2403'ün çok üzerinde olduğunu görebiliyoruz.
Ayrıntılar için lütfen kontrol edin:
https://acemap.info/ConferenceStatistics/acceptance_rate?conf_name=NIPSconf_year=2018
NeurIPS'in özet bilgilerini 2009'dan 2018'e çıkardık, kelime gömme algoritmasını kullanarak anahtar kelimeleri vektör uzayına eşledik ve ardından kümeledik. Her kümeye, genellikle şekilde altı kategoriye bölünen karşılık gelen bir konu atanır. Şekildeki yatay eksen yılı, dikey eksen ise konuların oranını temsil etmektedir.Grafikten altı konunun geçtiğimiz on yıldaki gelişim eğilimini görebiliriz.
Bir kağıt öneri matrisi oluşturmak için her kağıt için beş boyuttan benzer kağıtları öneririz. Bu boyutlar, en son, aynı konferansı, en ilgili, en çok alıntı yapılan ve yönlendirilen belgeleri içerir.Bu çok boyutlu öneri, farklı kullanıcıların farklı ihtiyaçlarını karşılayabilir. AceMap'in NeurIPS 2018'deki benzer makaleler için tavsiye sayfaları aşağıdaki gibidir:
Ayrıntılı sayfaya, resmi ana sayfayı ziyaret etmek için orijinal metni okumak ve makalenin başlığına tıklamak suretiyle erişilebilir.
NeurIPS 2018 Affiliation Distribution, NeurIPS makalelerinin 2018'de yayınlandığı ülkelerin dağılımını sayar. Şu anda, yalnızca yayınlanan makale sayısının yanı sıra her ülkede yayınlanan makale sayısı ve oranına sahip ilk on ülkeyi saymaktadır.
İlk on ülke: Amerika Birleşik Devletleri, Çin, Fransa, Birleşik Krallık, Kanada, İsviçre, Almanya, Güney Kore, Avustralya, Japonya.
Çin'deki kurumların sıralaması:
Tsinghua Üniversitesi, Çin Bilimler Akademisi, Pekin Üniversitesi, Nanjing Üniversitesi, Huawei, Pekin Posta ve Telekomünikasyon Üniversitesi, Tianjin Üniversitesi, Xidian Üniversitesi, Zhejiang Üniversitesi.
Acemap ekibi, 2018'de NeurIPS hakkında makaleler yayınlayan yazarlar ve NeurIPS hakkında makale yayınlayan tüm yazarlar için bir ilişki şeması çizdi. 2018 yılında NeurIPS'te makale yayınlayan yazarlar aşağıdaki gibidir (ekran görüntüleri). Bunların arasında, noktanın boyutu 2018'de NeurIPS'de yayınlanan makale sayısını temsil ediyor. Noktalar arasındaki çizgi, ortak yazar ilişkisini temsil eder.
Resmi büyütün ve Josh Tenenbaum'un ilişki diyagramını görebilirsiniz:
Ek olarak, NeurIPS 2018'deki her makale için Acemap ekibi kısa bir içerik yorumu sağlar. Yorumlamanın yolu, hangi problemleri çözmek için hangi yöntemlerin önerildiği vb. Dahil olmak üzere anahtar bilgileri otomatik olarak çıkarmak için makine okuma ve anlama yöntemlerini kullanmaktır. Uzun bir makale ile karşılaştırıldığında, bu tür yönlendirmeli okuma, okuyucuların kısa sürede kağıdın en kritik bilgilerini elde etmelerine yardımcı olabilir. .
Aşağıda bir yorumlama örneği verilmiştir:
Acemap ekibi 1010 belgenin tamamını yorumladı. Ayrıntılı yorumlama için lütfen web sitesini ziyaret edin:
https://acemap.info/ConferenceStatistics/MainPage?conf_name=NIPSconf_year=2018#authorstatistics
Son olarak Acemap, NeuIPS H-Index, Top30 makaleleri ve son yıllardaki tüm makalelerin ortalama alıntıları hakkında istatistik yaptı. Toplantı H-endeksi değişiklikleri aşağıdaki gibidir:
Tüm konferans bildirilerinin ve İlk30 bildirilerinin atıf değişiklikleri aşağıdaki gibidir:
Bir önceki makalede en iyi on kurumdan ve 2018'de yayınlanan makale sayısından bahsedilmişti. Şu anda bazı büyük şirketler NeuraIPS hakkında makaleler yayınladı ve Xinzhiyuan basit istatistikler yaptı:
Google toplam 136 makale kabul etti.
Bunların arasında ilk yazar Google'ın makalelerinden geldi, toplam 57 makale; Google katıldı ancak ilk yazar olmayan makale sayısı 79 makaleye ulaştı.
Akılcı ve Tropikal Kayıplarla Yapılandırılmış Çıktı Öğrenimi İçin Etkili Gradyan Hesaplaması
Rasyonel ve Tropikal kayıp ile yapılandırılmış çıktı öğrenme ile etkili gradyan hesaplaması
Corinna Cortes, Vitaly Kuznetsov, Mehryar Mohri, Dmitry Storcheus, Scott Yang
Tek-Gizli-Katmanlı Bir Sinir Ağının Fisher Bilgi Matrisinin Spektrumu
Tek Gizli Katmanlı Sinir Ağının Fisher Bilgi Matrisi Spektrumu
Jeffrey Pennington, Pratik Worah
Teğet: Dinamik Olarak Tiplenmiş Dizi Programlaması İçin Kaynak Kodu Dönüşümünü Kullanarak Otomatik Farklılaştırma
Teğet: Kaynak kodu dönüştürmeyi kullanarak dinamik tür dizi programlamanın otomatik farklılaşması
Bart van Merriënboer, Dan Moldovan, Alexander B Wiltschko
Bir Sınıflandırıcıya Güvenmek Veya Güvenmemek
Bir sınıflandırıcıya güvenmeli misiniz?
Heinrich Jiang, Been Kim, Melody Y. Guan, Maya Gupta
İlişkisel Tekrarlayan Sinir Ağları
İlişkisel tekrarlayan sinir ağı
Adam Santoro, Ryan Faulkner, David Raposo, Jack Rae, Mike Chrzanowski, Théophane Weber, Daan Wierstra, Oriol Vinyals, Razvan Pascanu, Timothy Lillicrap
Hem Bilgisayarla Görmeyi Hem de Zaman Sınırlı İnsanları Kandıran Muhalif Örnekler
Kandıran bilgisayar görüşü ve insan düşmanlığına örnekler
Gamaleldin F.Elsayed, Shreya Shankar, Brian Cheung, Nicolas Papernot, Alex Kurakin, Ian Goodfellow, Jascha Sohl-Dickstein
Sınıflandırma İçin Büyük Marjlı Derin Ağlar
Sınıflandırma için Büyük Marj derin ağı
Gamaleldin F.Elsayed, Dilip Krishnan, Hossein Mobahi, Kevin Regan, Samy Bengio
Veri Açısından Verimli Hiyerarşik Güçlendirmeli Öğrenme
Veri açısından verimli hiyerarşik güçlendirme öğrenimi
Ofir Nachum, Shixiang Gu, Honglak Lee, Sergey Levine
TopRank: Çevrimiçi Stokastik Sıralama İçin Pratik Bir Algoritma
TopRank: Çevrimiçi rastgele sıralama için pratik bir algoritma
Tor Lattimore, Branislav Kveton, Shuai Li, Csaba Szepesvari
Meta-Gradyan Güçlendirmeli Öğrenme
Meta-gradyan pekiştirmeli öğrenme
Zhongwen Xu, Hado van Hasselt, David Silver
Kendi Kendine Denetlenen Görsel Deneyimle Örnek Karmaşıklığı İçin Güçlü Temsilciliklerin Ticareti
Kendi kendine denetlenen bir görsel deneyim yoluyla, örneğin karmaşıklığı sağlam bir sunumla değiştirilir
Andrea Tacchetti
Değerlendirmeyi Yeniden Değerlendirme
Değerlendirmeyi yeniden değerlendirme
David Balduzzi, Karl Tuyls, Julien Perolat, Thore Graepel
Güvenli Pekiştirmeli Öğrenmeye Lyapunov Tabanlı Bir Yaklaşım
Lyapunov'a dayalı güvenlik güçlendirme öğrenme yöntemi
Yinlam Chow, Ofir Nachum, Edgar Duenez-Guzman, Mohammad Ghavamzadeh
Biyolojik Motive Edilmiş Derin Öğrenme Algoritmalarının ve Mimarilerinin Ölçeklenebilirliğini Değerlendirme
Biyolojik olarak motive edilmiş derin öğrenme algoritmalarının ve mimarilerinin ölçeklenebilirliğini değerlendirin
Sergey Bartunov, Adam Santoro, Blake A. Richards, Luke Marris, Geoffrey E. Hinton, Timothy Lillicrap
Kısıtlı Log-Submodüler Modeller İçin Sağlanabilir Varyasyonel Çıkarım
Kısıtlı Log-Submodüler Modelin Sağlanabilir Varyasyonel Mantığı
Josip Djolonga, Stefanie Jegelka, Andreas Krause
YouTube İzleyerek Zor Keşif Oyunlarını Oynama
YouTube izleyerek zorlu keşif oyunları oynayın
Yusuf Aytar, Tobias Pfaff, David Budden, Tom Le Paine, Ziyu Wang, Nando de Freitas
Konuşmacı Doğrulamasından Öğrenmeyi Birden Çok Konuşmacı Metinden Konuşmaya Sentezine Aktarın
Konuşmacı doğrulamasından öğrenmeyi çok dilli metin ve konuşma sentezine aktarın
Ye Jia, Yu Zhang, Ron J. Weiss, Quan Wang, Jonathan Shen, Fei Ren, Zhifeng Chen, Patrick Nguyen, Ruoming Pang, Ignacio Lopez Moreno, Yonghui Wu
Google ile ilgili daha fazla kabul makalesi, aşağıdaki bağlantıya tıklayarak görüntülenebilir:
https://acemap.info/ConferenceStatistics/affiliationpage?affID=4CF99586conf_name=NIPSconf_year=2018
Facebook (atölye dahil değil):
A ^ 2-Ağlar: Double Attention Networks
A ^ 2-Ağlar: Çift Dikkat Ağı
Yunpeng Chen, Yannis Kalantidis, Jianshu Li, Shuicheng Yan ve Jiashi Feng
Uzun vadeli ilişkileri yakalamayı öğrenmek, görüntü / video tanımanın temelidir. Mevcut CNN modelleri genellikle bu ilişkiyi simüle etmek için derinliği artırmaya dayanır ki bu çok verimsizdir. Bu çalışmada, sonraki evrişimli katmanların etkili bir şekilde erişebilmesi için giriş görüntüsünün / videonun tüm uzay-zamansal uzayından küresel bilgi özelliklerini toplayıp yayabilen yeni bir yapı taşı olan "çift dikkat bloğu" nu öneriyoruz. Tüm alandan özellikler.
Ortalama Varyans Optimizasyonu için Blok Koordinat Yükselme Algoritması
Ortalama varyans optimizasyonu blok koordinat artan algoritması
Tengyang Xie, Bo Liu, Yangyang Xu, Mohammad Ghavamzadeh, Yinlam Chow, Daoming Lyu ve Daesub Yoon
Ortalama varyans fonksiyonu, risk yönetiminde en yaygın kullanılan objektif fonksiyonlardan biridir ve basitlik ve yorumlama kolaylığı avantajlarına sahiptir. Mevcut ortalama varyans optimizasyon algoritması, çok zamanlı ölçekli rastgele yaklaşıma dayanmaktadır, öğrenme hızı tablosunun optimize edilmesi genellikle zordur ve yalnızca asimptotik yakınsama kanıtlanmıştır. Bu yazıda, sonlu örneklem hata kısıtı analizine dayanan, modelden bağımsız bir ortalama varyans optimizasyon stratejisi arama çerçevesi öneriyoruz. Çeşitli kıyaslama alanlarında uygulanabilirliklerini kanıtladık.
Güvenli Pekiştirmeli Öğrenmeye Lyapunov Tabanlı Bir Yaklaşım
Lyapunov'a dayalı güvenlik güçlendirme öğrenme yöntemi
Yinlam Chow, Ofir Nachum, Edgar Duenez-Guzman ve Mohammad Ghavamzadeh
Pek çok gerçek dünyadaki pekiştirmeli öğrenme (RL) problemlerinde, ana amaç işlevini optimize etmeye ek olarak, aracı aynı zamanda çeşitli kısıtlamaları ihlal etmekten de kaçınmalıdır. Özellikle, performansı optimize etmeye ek olarak, eğitim ve dağıtım sırasında ajanın "güvenliğini" sağlamak da çok önemlidir. Güvenliği RL'ye dahil etmek için, Kısıtlı Markov Karar Süreçleri (CMDP'ler) çerçevesinde algoritmalar türetiyoruz. Sonuçlar, yöntemin kısıtlama memnuniyetini ve performansı dengeleme açısından mevcut temelden önemli ölçüde daha iyi olduğunu göstermektedir.
Derin Öğrenme Modellerinin Açıklama Uzunluğu
Derin öğrenme modelinin açıklama uzunluğu
Léonard Blier ve Yann Ollivier
Solomonoff'un genel muhakeme teorisi ve minimum açıklama uzunluğu ilkesi, Occam'ın usturasının resmileştirilmesinin sonucudur ve iyi bir veri modelinin, verileri kayıpsız bir şekilde sıkıştırmada iyi bir model olması gerektiğine inanmaktadır. Kodlanacak çok sayıda parametre göz önüne alındığında, derin sinir ağları bu prensibi ihlal ediyor gibi görünüyor. Deneylerle, derin sinir ağlarının, parametre kodlaması düşünüldüğünde bile eğitim verilerini sıkıştırabildiğini kanıtladık.
Kronecker Faktörlü Eigenbasis'te Hızlı Yaklaşık Doğal Gradyan İnişi
Kronecker Factored Eigenbasis'in hızlı yaklaşık doğal gradyan inişi
Thomas George, César Laurent, Xavier Bouthillier, Nicolas Ballas ve Pascal Vincent
Doğrusal Pekiştirmeli Öğrenme ile Önerici Sistemlerde Sıkıntıyla Mücadele
Doğrusal pekiştirmeli öğrenme öneri sisteminde can sıkıntısına karşı savaşın
Romain Warlop, Alessandro Lazaric ve Jérémie Mary
Kısmi Gözlem Strateji Oyunları için İleri Modelleme - Bir StarCraft Buğu Çözücü
Strateji oyunlarının pozitif modellemesinin kısmi gözlemi-StarCraft Defogger
Gabriel Synnaeve, Zeming Lin, Jonas Gehring, Dan Gant, Vegard Mella, Vasil Khalidov, Nicolas Carion ve Nicolas Usunier
GLoMo: Devredilebilir Temsiller Olarak Denetimsizce Öğrenilmiş İlişkisel tGraphs
GLoMo: Devredilebilir bir temsil olarak denetimsiz öğrenme ilişkisi tGraphs
Zhilin Yang, Jake Zhao, Bhuwan Dhingra, Kaiming He, William Cohen, Ruslan Salakhutdinov ve Yann LeCun
İletişimsiz Markov Karar Süreçlerinde Optimal Keşif-Sömürü
Yayılmayan Markov Karar Sürecinin Yaklaşık Optimal Keşfi-Geliştirilmesi
Ronan Fruit, Matteo Pirotta ve Alessandro Lazaric
VAE'ler ile Tartışmasız Haritalama
Rakipsiz haritalama için VAE'yi kullanın
Yedid Hoshen
Tek Adımlı Denetimsiz Alanlar Arası Çeviri
Alanlar arası denetimsiz tek seferlik çeviri
Sagie Benaim ve Lior Wolf
SING: Sembol-Enstrüman Sinir Jeneratörü
SING: Notalardan enstrümanlara nöral jeneratör
Alexandre Defossez, Neil Zeghidour, Nicolas Usunier, Leon Bottou ve Francis Bach
Markov Karar Süreci için Zamansal Düzenlenme
Markov karar sürecinin zaman düzenlenmesi
Pierre Thodoroff, Audrey Durand, Joelle Pineau ve Doina Precup
NeurIPS, yalnızca son zamanlarda resmi olarak NIPS olarak adlandırılan ad tarafından kullanıldı, ancak bu yılki konferansın dönüp dönmesini sağlayan bu dört karakterli kısaltmadır.
"NIPS", cinsel ipuçlarından dolayı bu yıl pek çok tartışmaya neden oldu. NIPS Organizasyon Komitesi, bu yıl Nisan ayında isim değişikliği yapmayı düşündüklerini duyurdu ve kısa süre sonra topluluğa bu konuda fikirlerini sordu.
Ancak herkesin tepkisi karışıktı. Google Brain Researcher David Ha'nın (Twitter @ hardmaru) kişisel istatistiklerine göre, seçmenlerin% 50'si orijinal adı korumanın daha iyi olduğunu düşünüyor.
Daha sonra, NIPS resmi web sitesi NeurIPS'i konferansın kısaltması olarak sessizce kullanmaya başladı ve isim değişikliğini sona erdiren yeni bir web sitesi olan NeurIPS'i de ekledi.
Ancak isim değişikliği henüz sona erdi ve bir düzineden fazla araştırmacının vize alamadığı ortaya çıktı. NeurIPS gibi üst düzey konferanslar genellikle Avrupa ve Amerika ülkelerinde düzenlenmektedir, ancak aslında bu, diğer gelişmiş olmayan ülkelerdeki araştırmacılar için haksızlıktır.Dış faktörlerin etkisi (vizeler gibi) ortaya çıktığında, bu gelişmiş olmayan araştırmacıları getirecektir. Büyük rahatsızlık.
Şimdi, bazı akademisyenler Zirveyi gelişmiş olmayan ülkelerle ilgilenmeye çağırdılar. Yakın zamanda yapılan bir röportajda Yoshua Bengio, başka bir makine öğrenimi zirvesinin, ICLR'nin 2020'de Afrika'ya taşının , Bir örnek olun.
Son olarak, AI uygulayıcıları için en önemli şey katılabilmektir. Ancak NeurIPS2018 biletlerini almak, konser biletlerinden daha zor. Organizatör, 4 Eylül'de saat 8'de kaydı açtı, ancak ana konferans biletlerinin tükenmesi sadece 11 dakika 38 saniye sürdü. Yarım saat sonra eğitim ve atölye biletleri tükendi. Biletler de Tükendi gösterir.
Bu yılki NeurIPS2018, canlı yayını izlemeyi mi yoksa sahneye gitmeyi mi seçersiniz?