科技公司争相涌进ICML 2017，论文数占1/4，Google独占6.3％

本篇文章2507字，读完约6分钟

Icml是世界上最好的机器学习会议之一。与nips一起，ICML是在机器学习和人工智能研究领域有很大影响的两个主要会议。今年的icml将于8月6日至11日在澳大利亚悉尼举行，届时雷(公开号:雷)也将到场报道。

早在5月份，2017年国际化学语言文学竞赛的获奖论文就已经发表。今年，icml收到了创纪录的1676篇论文，434篇论文被接受(这也创造了新的记录)。openai的研究科学家Andrej karpathy分析了这些论文，发现了一些有趣的东西。

根据分析，961个机构名称出现在所有论文中，其中420个只出现一次。论文数量排名前30位的机构如下:

在统计数据中，谷歌和微软的论文数量排名前两位，而cmu排名第三。应该指出的是，谷歌、谷歌公司、谷歌大脑和谷歌研究在统计学上属于同一类别，斯坦福大学和斯坦福大学也是如此。报纸上的许多人属于同一机构时会合并。

从这些统计数据中还可以看出，行业发表的论文占很大比例。Karpathy统计了一些著名工业实验室的论文，如deepmind、谷歌、微软、facebook、ibm、迪士尼、亚马逊和adobe，发现他们的论文占总论文的14%。如果算上其他不太知名的行业公司的论文，他认为大约20-25%的论文涉及公司。换句话说，icml 2017中大约四分之三的论文完全来自学术界。

此外，因为deepmind和谷歌可以视为一个家族，他们一起参与了60篇论文，占总论文的6.3%。

通过逐年分析这些论文，可以发现2011年在icml上出现的工业研究很少。现在公司的参与度有了很大的提高。然而，学术界仍然做得很好，贡献了很大一部分论文。

还有其他有趣的统计数据。

作为第一作者，中国研究员朱获得论文最多，他的5篇论文被接受。他现在在北美的微软研究院工作。

根据第一作者工作的机构的统计，前五名是cmu(25)、google(19)、deepmind(15)、mit(14)和ucb(14)，这显示了google的实力。微软研究院以10篇文章排名第七。

单纯的定量统计不能反映真实的研究情况。一个更重要的指标可能是论文的引用。毕竟，纸是不平等的。没有关于如何引用工业和学术界内容的统计数据。

Icml也是观察机器学习最新趋势的方法之一。深度学习当然是雷的一个重要内容，但是发现只有6篇文章包含这个关键词。其他高频率的研究领域包括强化学习、随机和高斯过程、嵌入、贝叶斯优化、自动学习(通过机器学习探索神经网络结构)等。

除了论文之外，icml中最重要的主题是每日主题演讲。今年的会议安排了四个主题演讲，涵盖了人工智能的前沿、应用和社会影响。

牛津大学的彼得·唐纳利的四个主题演讲

他演讲的主题是:基因组学、大数据和机器学习:理解生命地图和促进医学革命。讲座将通过具体的例子说明将机器学习和其他推理工具应用于基因组数据的机遇和挑战。

唐纳利是韦尔科姆信托中心人类遗传学研究室主任，牛津大学统计学教授，基因组公司首席执行官。他是牛津大学的博士生，曾是伦敦大学和芝加哥大学的教授。他早期的研究工作包括发展群体遗传学的随机模型，后来逐渐发展了遗传和基因组数据的统计方法。他和他的团队开发了各种广泛使用的统计算法，包括结构和阶段。他还领导了一个名为wwgs500的项目，在该项目中，牛津大学与illumina合作，对500名患有一系列临床疾病的个体进行测序，以评估全基因组测序在临床医学中的短期潜力。这个项目也是nhs 100000基因组计划的前身。

在过去的10年里，基因测序的成本呈指数级下降，在未来的10年里，可能会有近10亿人进行基因测序。将大量基因数据与个人病历信息和可穿戴设备信息相结合，将显著提高我们评估个人健康风险、预测健康状况和进行个性化治疗的能力。

哈佛大学

她的演讲主题是:人工智能设计师如何影响市民的生活

作为哈佛大学政府和技术学院的教授，斯威尼的使命是开发和应用技术来评估和解决社会、政治和管理问题。她专注于技术对人类的影响，也是《技术科学》的主编。她也对数据隐私感兴趣，是哈佛数据隐私实验室的主任。

她认为技术设计师是新的决策者。尽管他们没有被选举，大多数人也不知道他们的名字，但他们在开发工具和创新时的决定影响了规范我们日常生活的准则。隐私和安全是新技术的首要挑战，随着技术的发展，生活的每个方面都将被重新定义。

《深度思维》的Raia hadsell

她的演讲主题是:加强对现实世界的研究

她是deepmind的高级研究科学家，在深度学习和机器人学方面有超过10年的研究经验。她的早期研究与暹罗网络的多学科学习有关，暹罗网络可用于不变特征学习。她的博士生导师是yann lecun，后来加入了cmu机器人研究所和sri国际。她于2014年初加入deepmind，并开始学习普通人工智能。她目前的研究集中在人工智能代理和机器人系统的持续学习的挑战。

深度强化学习已经迅速发展成为人工智能的一个潜在研究领域，大量的雅达利游戏也被用作许多基础开发的主要基准。随着研究的成熟，开发复杂的学习系统来解决更复杂的任务变得更加重要。她将介绍deepmind最近的研究，该研究涉及现实世界中的端到端学习和具有复杂任务结构的挑战性环境。

马克斯·普朗克智能系统研究所？lkopf

他演讲的主题是:因果学习。

sch？Lkopf的主要研究领域是机器学习和因果推理。他将自己的研究应用于许多不同的领域，如生物医学问题、计算摄影和天文学。他在英国的at&t贝尔实验室和微软研究院工作。他是德国科学院的成员，并获得了国际模式识别协会颁发的j.k .阿格瓦尔奖。

在机器学习中，为了预测未来，数据将被用来自动寻找依赖关系。大多数机器学习方法都是基于统计的。当然，我们可以在统计相关性之后进一步分析数据的因果结构。sch？Lkopf认为这种因果知识有助于在机器学习任务中进行预测。在他的演讲中，他还提到了因果模型对机器学习任务的影响，如迁移学习和半监督学习。

雷锋。com将现场带来2017年icml的即时报道。请注意我们的后续文章。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。