0
本文作者:杨晓凡 | 2017-08-25 17:44 | 专题:ICLR 2017 |
雷锋网 AI 科技评论按:今年4月,ICLR 2017 (International Conference on Learning Representations) 在法国土伦举行。有1100多名参会者、收到490篇论文投稿的 ICLR 2017 是举办以来最大的一届,与 ICLR 2016 相比规模上又有大幅提升,去年的参会者只有 400人左右。
大会期间,雷锋网记者与本地组织主席 Hervé Glotin 教授进行了访谈,向他了解 ICLR 2017的各方面情况。Hervé Glotin 是土伦大学教授,并且由于突出的研究工作,在2011到2016年间被授予法国巴黎大学研究所荣誉成员。Hervé Glotin 教授的研究领域包括大规模感知人工智能、表征学习、多模态信息检索、生物声学领域的技术运用。Hervé Glotin 教授还是NIPS的领域主席和多个国际会议的审稿人。
以下为采访全文。
今年的会议把地点选在了法国土伦的原因是什么?您在今年会议中发挥的作用是什么?
这个会议正逐渐从欧洲移到美国举办,这次轮到欧洲了。土伦这里就是一个很好的地方。去年参加会议的有400人左右,很少。今年很快就到了七八百,最后到了1100人。因为场地不大所以后来我们就停止注册了。我是本地主席所以我要负责组织这次大会。
特邀演讲嘉宾是您邀请的吗?
是的,Eero Simoncelli和Regina Barzilay是我邀请的
您眼中,会议的亮点是什么?
表征学习,这是机器学习的根本。所以会同时有NIPS和ICML这两个会议,它们都关注的是统计和优化。我们这个会议讨论的主要是表征学习。所以我们这个会议比较新,但也发展壮大的很快,今年有1000人参会了,明年可能会有2000。所以表征学习是机器学习的一个重要因素。
只有这一个亮点吗?这个会议上表征学习之外还有别的亮点吗?
大规模表征,比如向更高维度和更大量数据的大规模表征也是热门话题
这次会议作为一次学术会议,许多工业界的公司也来参加了,比如谷歌、Facebook、亚马逊、微软。您觉得这种情况是好还是坏呢?
首先纠正一下你的说法,谷歌、Facebook都是有自己的研究院的,水平都很高,都是它们各自方向里的顶尖水平。所以来自它们的参会者的水平都是很高的,如果你是担心这一点的话。我们认为他们也属于学术的参会者。
那这样有哪些好处和不好之处呢?
这个会议的好处是能够和人工智能领域最杰出的研究者会面,他们在热门话题上做出了很多成果,不停地刷新着人工智能的上限。不好之处是,企业的研究人员有可能在思维开阔程度上比学术界的研究人员差一点,不过也有来自OpenAI等一些基础研究团队的研究人员。所以其实他们不是仅仅来自企业而已,他们也和学术界的研究人员一样做出了学术贡献。
您是否担心来自Facebook和谷歌的论文太多,它们占据了很多位置,以至于学术界的论文相对比例变少了吗?
这里选出的论文只是真正优秀的那些,筛选论文的Open Review流程也是十分客观、公开的。那么,来到这里的论文都是名副其实的,不管是来自谷歌还是Facebook都没有关系,现在的研究就是这样的。
您觉得来自企业的论文有哪些不好之处?
可能有一些论文中没有完全开放、清晰地描述了它们的算法。有一些想法和做法没有完全在论文中发布出来;由于他们需要用到,有一些知识他们没有公开。
您觉得中国学者们的学术力量如何?今年和去年相比有何变化?
当然是越来越多了。美国和中国在一些学术研究上有着深入的合作。有一些我也参与了,比如百度。由于美国和中国之间的像百度这样的IT合作,中国的研究水平成长得非常块,不论质量还是数量。
我们注意到,会议的很多时间都用在了演讲上,比如各种论文演讲和各种论文展示活动,您是如何看待这种现象的?
这就是我们想要的,我们是有意识地这样安排的。这项会议的目的就是要让大家听演讲和展示论文,那么展示论文的最好的方式就是让大家做演讲来介绍。
这也是这项会议和AAAI会议的区别吗?
不是的,AAAI会议也是这样的。计算机科学方面的会议也都是这样围绕着论文和论演讲的。这个领域的做法就是这样,计算机科学的会议都是这样的。
但是 ICLR 有一点和其它的会议有非常大的不同,就是论文是通过Open Review选出的,在评选过程中所有的研究者都可以对提交的论文中的内容提出批评或者赞同,而不局限于官方的程序委员会。对于提高论文的质量来说,这是一种非常强力的方法。
我们从工业界得到了一些反馈说,今年深度学习领域没有GAN这样的突破性进展。您赞同这个观点吗?您觉得今年有哪些进展可以称得上突破性吗?
是的我赞同今年没有大突破的观点。新GPU的大范围应用和GAN在各种领域的应用应该会带来一些新的突破。
您认为未来5到10年内表征学习的趋势会是怎样的?
可能是关于时间序列的(time sequences),用于预测,基于比如人类行为这样的数据…… 也可以是基于不同的媒体,比如声音。我自己的研究就是关于更好地理解和分析声音环境场景,以及动物们在平常和警戒环境下的叫声的。
对于环境的调查会有大规模的调查记录和长期的数据,需要新型的深度学习网络模型,在未来5年内会是一个引人入胜的而且非常有用的研究领域。
(完)
ICLR 2018将于明年4月30日至5月3日在加拿大温哥华举行,到时雷锋网 AI 科技评论会继续带来全方位报道。论文投递截止日期是10月27日,更多信息可以参见 iclr.cc 。
相关文章:
直击|ICLR 2017现场最令人瞩目的5个亮点| ICLR 2017
纽约大学神经学教授Eero Simoncelli万字解析:机器生成的图像为何能骗过你的眼睛?| ICLR 2017
惨遭 ICLR 拒绝的十大好论文:LeCun榜上有名,Yoshua连中两枪 | ICLR 2017
雷峰网原创文章,未经授权禁止转载。详情见转载须知。
本专题其他文章