风叶厂家
免费服务热线

Free service

hotline

010-00000000
风叶厂家
热门搜索:
行业资讯
当前位置:首页 > 行业资讯

一览CMU的33篇ICML2019论文-【新闻】

发布时间:2021-04-05 23:58:38 阅读: 来源:风叶厂家

雷锋网 AI 科技评论按:机器学习顶会ICML 2019近期公布了接收论文清单,多家企业研究院也按惯例介绍了自己的录用论文。不过新鲜的是,今年卡耐基梅隆大学(CMU)也专门发博客列出了来自CMU师生的录用论文,一共有 33 篇之多。其实UC伯克利、斯坦福、CMU等计算机领域实力很强的高校每年都有许多顶会论文,多样性和深度也都很好,但是宣传力度往往比不上企业级AI研究机构。所以CMU这篇博客也提醒了各位不要忘了顶级高校的学术实力,到时参会的研究人员也可以到他们的海报前一期讨论这些前沿研究进展。

AI 科技评论把论文列表简单介绍如下。

Statistical Foundations of Virtual Democracy

“虚拟民主”算法的统计学基础

http://procaccia.info/papers/virtual.pdf

TarMAC: Targeted Multi-Agent Communication

TarMAC:有目标的多智能体通讯

https://arxiv.org/abs/1810.11187

A Kernel Theory of Modern Data Augmentation

现代数据扩增的一种核理论

https://arxiv.org/abs/1803.06084

Myopic Posterior Sampling for Adaptive Goal Oriented Design of Experiments

用于适应性目标向的实验设计的短视后验抽样

Nearest neighbor and kernel survival analysis: Nonasymptotic error bounds and strong consistency rates

最近邻以及核生存方法的分析:非渐近性的错误边界以及强相关性率

Policy Certificates: Towards Accountable Reinforcement Learning

策略证书:向着可靠的强化学习

https://arxiv.org/abs/1811.03056

Deep Counterfactual Regret Minimization

深度反事实后悔最小化方法

https://arxiv.org/abs/1811.00164

Domain Adaptation with Asymmetrically-Relaxed Distribution Alignment

通过非对称释放的分布对齐进行的领域适应

https://arxiv.org/abs/1903.01689

(有趣的是,这篇论文第一作者的名字是 Yifan Wu)

Provably efficient RL with Rich Observations via Latent State Decoding

通过潜状态编码实现丰富观察,得到可证明的高效强化学习

https://arxiv.org/abs/1901.09018

A Baseline for Any Order Gradient Estimation in Stochastic Computation Graphs

可以用于任意阶的随机计算图的梯度估计的基线方法

Gradient Descent Finds Global Minima of Deep Neural Networks

梯度下降可以找到深度神经网络的局部极小值

https://arxiv.org/abs/1811.03804

Stable-Predictive Optimistic Counterfactual Regret Minimization

稳定预测的乐观反事实后悔最小化方法

https://arxiv.org/abs/1902.04982

Regret Circuits: Composability of Regret Minimizers

后悔循环:不同后悔最小化方法的可组合性

https://arxiv.org/abs/1811.02540

Provable Guarantees for Gradient-Based MetaLearning

基于梯度的元学习方法的可证明的保证

https://arxiv.org/abs/1902.10644

Dimensionality Reduction for Tukey Regression

土耳其回归方法的降维

Certified Adversarial Robustness via Randomized Smoothing

通过随机平滑达到可证明的对抗性鲁棒性

https://arxiv.org/abs/1902.02918

Provably Efficient Imitation Learning from Observation Alone

证明仅仅从观察就可以实现高效的模仿学习

SATNet: Bridging deep learning and logical reasoning using a differentiable satisfiability solver

SATNet:通过可微分可满足性解算器连接深度学习和逻辑推理

Collective Model Fusion for Multiple Black-Box Experts

多个黑盒专家的群体模型融合方法

http://kingsfordlab.cbd.cmu.edu/publication/hoang-2019-fusion/

Fine-Grained Analysis of Optimization and Generalization for Overparameterized Two-Layer Neural Networks

过参数化的双层神经网络的优化及泛化性的细粒度分析

https://arxiv.org/abs/1901.08584

Width Provably Matters in Optimization for Deep Linear Neural Networks

在深度线性神经网络中证明宽度也有作用

https://arxiv.org/abs/1901.08572

Causal Discovery and Forecasting in Nonstationary Environments with State-Space Models

在非固定环境下用状态空间模型进行因素发现和预测

Uniform Convergence Rate of the Kernel Density Estimator Adaptive to Intrinsic Volume Dimension

让核密度估计器的统一化收敛速度适应本征体积维度

https://arxiv.org/abs/1810.05935

Faster Algorithms for Boolean Matrix Factorization

更快的布尔矩阵分解算法

Contextual Memory Trees

背景记忆树

https://arxiv.org/abs/1807.06473

Fault Tolerance in Iterative-Convergent Machine Learning

迭代收敛机器学习方法的错误容忍度的研究

https://arxiv.org/abs/1810.07354

Wasserstein Adversarial Examples via Projected Sinkhorn Iterations

通过投影 Sinkhorn 迭代生成 Wasserstein对抗样本

https://arxiv.org/abs/1902.07906

Learning to Explore via Disagreement

通过不一致学习探索

What is the Effect of Importance Weighting in Deep Learning?

深度学习中重要性权重的效果是什么?

https://arxiv.org/abs/1812.03372

Adversarial camera stickers: A physical camera-based attack on deep learning systems

对抗性相机贴纸:针对深度学习系统的基于物理摄像机的攻击

https://arxiv.org/abs/1904.00759

On Learning Invariant Representation for Domain Adaptation

关于为领域适应学习不变的表征

https://arxiv.org/abs/1901.09453

Finding Options that Minimize Planning Time

寻找能够减少规划时间的方法

https://arxiv.org/abs/1810.07311

Tight Kernel Query Complexity of Kernel Ridge

核岭回归的核查询复杂度分析

ICML 2019将于今年 6月 10日至 15日在美国加州长滩举行。雷锋网 AI 科技评论到时也会进行多方位的报道,敬请继续关注。

混元劫满v版

天子传说手游

黄易派来的手机版

相关阅读