“不正经”NIPS大会指北：嘻哈歌手、感人长队，以及最佳论文
這幾天，AI圈人士紛紛前往洛杉磯附近風景宜人的長灘。
他們在這里排長隊、曬太陽、看大海、聽嘻哈、談穿著，以及……順便參加NIPS 2017。
我們不一樣
神經信息處理系統大會，簡稱NIPS，是機器學習領域的頂級會議。
斯坦福不久前發布的AI Index報告說，NIPS目前已經是人工智能領域關注度最高的學術會議，增長速度僅次于新秀ICLR。
今年的NIPS大會在長灘會議中心（Convention Center）舉行，參會門票早早地就被搶光，注冊人數超過8000人。
據說照這個趨勢發展下去，參會人數將超過全人類的總數。（感覺哪里怪怪的）
場面火爆到什么程度呢？第一天就讓人熱淚盈眶。
那注冊的長隊，長到讓人懷疑人生，長到讓友邦人士驚呼crazy，長到得用全景圖才能拍下來，比方下面這張：
在室外艱辛的排完隊，到門口一看：嚯~室內還得繼續排！感人~
注冊報到完畢，然后就是暢游在NIPS大會的海洋里了。你以為都是各類正經的不行的高大上分享和討論？
如果只想聽tutorials和talks，看在線直播可能比現場更好：
https://www.facebook.com/nipsfoundation/
然而不不不，并不是這樣。
還有派對！比方Intel AI組織的這場《Let the Gradient Flo》。這個大爬梯請來了美國著名嘻哈歌手Flo Rida。喲~
（不過這個活動也被@hardmaru 在推特上吐槽，說是AI泡沫的表現。他真的很嚴格）
現場還有展覽區。據說各大企業在現場都支了攤兒，展示自家的科研成果，順便強勢宣講一波以便招人。其中，IBM這個展區推薦看一下。
這是什么？這是IBM的量子計算機呀~
Dress Code
這么一個大會，怎么穿才不像第一次去的萌新？
上周有個小哥就在reddit上提出這個問題，在線等，挺急的……“熱心”網友們，紛紛站出來出謀劃策。量子位摘錄如下：
穿西裝、打領帶有點不合適，只要不是穿得特別正式都應該可以。期待看到很多人穿牛仔褲和T恤，以及短袖襯衫、卡其褲。
溫馨提示，別穿印著“My NIPS are NP-Hard”字樣的T恤去參會。
上面講的這個T恤，講真是2015年的老黃歷了。今年的T恤上印的字是：“Yes，We GAN”。
（Goodfellow笑而不語）
當然上面這個回答算是很正經了，隨后的討論歪樓到了奇怪的方向~
只要別露著NIPS，怎么穿都行
這個梗在于，nips通常被美國人民口語里指代咪咪（不是貓那個）。
男士通常以漏點（NIP-slips）的方式穿著比基尼，女士穿和服和瑜伽褲。大家都不穿鞋。如果你是大實驗室的研究院，可以在披風上寫上過去一年用了多少GPU小時。
所謂NIP-slips，Google一下大概是這樣：
還有人給出一個可行性很高的建議：
穿一套白色西裝，定叫人過目難忘。
大會論文
最后，談點正經的。
量子位在9月的報道中已經提到，NIPS 2017共收到3240篇論文投稿，毫不意外這個數字又創了新高。有678篇論文被選中作為大會論文，比例20.9%。
其中有40篇被選中進行口頭報告（oral），112篇選為spotlight進行展示。
論文的領域分布，如下所示。
全部論文在這里：
https://papers.nips.cc/book/advances-in-neural-information-processing-systems-30-2017
今天，NIPS還公布了兩個獎項，一是最佳論文獎（Best paper awards），另一個是時間檢驗獎（Test of time award）。
最佳論文獎（共3篇）：
Safe and Nested Subgame Solving for Imperfect-Information Games
作者：
Noam Brown，卡耐基梅隆大學計算機科學博士生
Tuomas Sandholm，卡耐基梅隆大學計算機科學教授，Brown的導師
摘要：
在不完美信息博弈中，子博弈的最優策略可能取決于其他未知子博弈的策略。因此，在為子博弈求解時必須將整個博弈視為整體來考慮策略，而不能像完美信息博弈一樣孤立地求解。不過，可以先逼近整個博弈的解，然后通過解出單個子博弈來優化它。這叫做子博弈求解（subgame solving）。我們提出了在理論上和實踐上都超越前人的子博弈求解技術，并展示了如何調整它們和過去的子博弈求解技術，在對手做出超出原始行為抽象的行為時，進行應對，這顯著優于之前最先進的行為翻譯（action translation）方法。最后我們表明子博弈求解在博弈沿博弈樹進行的過程中可以重復，降低了可利用性。在第一個玩一對一無限注德州撲克擊敗人類對手的AI冷撲大師（Libratus）中，這些技術是關鍵的組成部分。
地址：
https://papers.nips.cc/paper/6671-safe-and-nested-subgame-solving-for-imperfect-information-games
Variance-based Regularization with Convex Objectives
作者：
Hongseok Namkoong，斯坦福大學運籌學博士
John C. Duchi，斯坦福大學統計學和電子工程助理教授
摘要：
我們開發了一種風險最小化和隨機優化的方法，該方法提供了方差的凸代替項，讓近似和估計誤差之間能夠進行近似最佳且計算上高效的交換。我們的方法建立在分布式健壯優化和歐文經驗似然的基礎上，還提供了一些有限樣本和漸近結果來表示估計的理論性能。我們特別表明，我們的方法帶有最右證明，與通過自動平衡偏差和方差來實現經驗風險最小化相比，（在某些情況下）能實現更快的收斂速度。有確鑿的經驗證據表明，我們的估計器在實踐中確實會在訓練樣本的方差和絕對性能之間權衡，對很多分類問題，與標準的經驗風險最小化方法相比，提高了樣本外（測試）性能。
地址：
https://papers.nips.cc/paper/6890-variance-based-regularization-with-convex-objectives
A Linear-Time Kernel Goodness-of-Fit Test
作者：
Wittawat Jitkrittum，倫敦大學學院蓋茨比計算神經科學實驗室博士生
Wenkai Xu，倫敦大學學院蓋茨比計算神經科學實驗室博士生
Zoltan Szabo，法國école Polytechnique應用數學中心副教授
Kenji Fukumizu，日本統計數理研究所教授
Arthur Gretton，倫敦大學學院蓋茨比計算神經科學實驗室教授
摘要：
我們提出了一種測試擬合優度的新方法，計算成本與樣本數量線性相關。我們通過最小化假陰性率來學習最能顯示觀察樣本與參考模型之間差異的測試特征。這些特征通過Stein方法構建，這意味著沒有必要計算模型的標準化常數。我們分析了新測試的Bahadur漸近效率，證明了在均值漂移的情況下，無論怎樣選擇測試參數，我們測試的相對效率都比之前的線性時間內核測試更高。在實驗中，我們方法的性能超過了之前的線性時間測試，不次于二次時間內核測試。在高維且模型結構可能被利用的情況下，從模型中抽取樣本，我們的擬合優度測試明顯優于基于最大平均偏差的二次二樣本測試。
地址：
https://papers.nips.cc/paper/6630-a-linear-time-kernel-goodness-of-fit-test
Python代碼：
https://github.com/wittawatj/kernel-gof
時間檢驗獎：
今年的時間檢驗獎頒給了2007年的Random Features for Large-Scale Kernel Machines，作者是英特爾研究院的Ali Rahimi和加州理工的Benjamin Recht。
OMT
Google以及DeepMind等機構，還把各自被NIPS 2017收錄的論文進行了整理。量子位這里直接給傳送門了~
Google at NIPS 2017
https://research.googleblog.com/2017/12/google-at-nips-2017.html
DeepMind papers at NIPS 2017
https://deepmind.com/blog/deepmind-papers-nips-2017/
— 完 —
本文作者：夏乙 問耕 假裝 原文發布時間：2017-12-05總結
以上是生活随笔為你收集整理的“不正经”NIPS大会指北：嘻哈歌手、感人长队，以及最佳论文的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Spring 学习笔记（二）Spring
- 下一篇： 轻量级ORM框架Dapper应用四：使用