NeurIPs 2019 最新最猎奇的论文有哪些？

资源分类

2020-01-13 |

90 |

原标题：NeurIPs 2019 最新最猎奇的论文有哪些？

来源：AI 研习社链接：https://www.yanxishe.com/TextTranslation/2303

我完全理解那些蜂拥而至，前来参加神经信息处理系统大会的人们。当然，门票在12分钟内就一抢而光是个问题，但由此也能看出机器学习的冲击带来了多么巨大的机遇。我相信机器学习是一项重要的工具，能帮助我们创新性地解决许多全球性的问题（我认为气候变化能被完全控制这种想法可能有些幼稚）。

NeurIPs学会的标志。希望他们今后能举办更多优秀的会议！

你可以在活跃的推特社区追踪这次会议的全部亮点，既有最佳结果的展示，也有对于可疑论文的质问。此外，关于机器学习在科技和人道主义上将会走向何方，人们也有着热烈的讨论。考虑到机器学习在主流媒体中可能留下的负面印象，这次大会确实向社区传达了一个信息：他们要尽全力为整个社会做出贡献，同时要注意互相审查（如果这点能更多地体现在曾绊倒在场许多人的同行评审上就好了）。

主题：呼吁提升可解释性的展示海报获得了研究者的普遍认同

这里的研究者群体中涌动着一股巨大的关注可解释性的浪潮。在深度强化学习研讨会上，我正在展示一幅主题为“基于模型的强化学习中的目标不匹配”的海报，而围观者对我们在强化学习中可能尚未完善的隐含假设显得十分敏感。

这是我的展示海报。我很高兴能回答关于研究的问题，但请不要太深究这张海报！

我也很凑巧地与另一位来自谷歌的研究者相邻，他研究的主题是强化学习算法的可靠性度量。也就是说，当一篇论文声称自己提出了一种在不同环境和随机种子下普遍“先进”的方法时，这种方法的实际表现有多稳定。这种具有现实意义的鲁棒性，可能是提升这些算法在实际应用（比如我常提起的机器人学，它是一个强化学习的优秀的可解释平台）中效果的关键。

我们这两幅海报得到的重要评价来自于Oriol Vinyals（本领域中一位相当知名的研究者）。他问：如果我们要比较现有的强化学习基线和人类解决任务的能力，结果会是怎样的？我们猜想，人类将更快以及更可靠地解决合理的任务——所以，工业界还有成堆的工作要做呢！

google-research/rl-reliability-metrics

此外，对于涉足敏感研究的人们，研究者也提出了许多质疑。只有在反对的声浪和这个领域里的危险趋势碰撞的时候，大公司们才会开始警觉。

疯狂的新想法：强化学习在卫生保健中的应用

强化学习已被证明是在结构化环境中学习行动策略的一种有用的工具，那么我们该如何利用这一点改善人们的健康呢？我和我的新朋友Stephanie Chan（谷歌AI Residency项目神经科学方向的入选者之一）提出了将强化学习应用于实验室的小白鼠上，检验不同的膳食、用药与活动模式的想法。许多医疗实验室将小白鼠作为人体实验的前导，这也是我们逻辑的出发点。我正在考虑向伯克利的生物系学生发一些邮件，也许他们会疯到跟我一起做这只出头鸟。我之所以加入，是因为它同时激起了我对于强化学习的职业兴趣，以及我个人对长寿和健康的高度热情。你们有什么想法吗？

这个问题得以形成，是因为强化学习已经有能力选出小白鼠体内的生物标记的最优子集。环境中允许的动作是（膳食，活动，用药）之中的一种组合，而奖励函数则可以被定义为寿命（稀疏奖励）或生物标记（较难分析的连续奖励）。剩下的问题还能有多难呢？

史丹利公园的一个僻静之处——从市中心和混乱忙碌的会议来到大自然一角的比弗湖。

新领域：卫生保健中的联邦学习

联邦学习，意指将私人数据（如病人数据）合并到一个中央服务器里，在云平台上进行系统设计，以提升学习的度量和效果（如医学图像检测）。这个领域的研究成果正在一个与网络安全和医疗系统都紧密相关的领域中投入应用，而这两者有时都会很难处理。

图源：Friedman, Charles P., Adam K. Wong, and David Blumenthal. “Achieving a nationwide learning health system.” Science translational medicine 2.57 (2010): 57cm29–57cm29.

因此，联邦学习成为一个普遍标准，影响非常重大。目前，由于隐私协议的存在，大多数医院可以共享的数据少得可怜。谁会不希望自己的扫描结果能匿名地在计算机中与全国性的数据库去比较呢？这能帮助医疗系统中的人们获得更加安全、定量的分析。

我还需补充的是，建立普适的结构，令我们的数据：1）能被用于协助建立更大的系统；2）不会与我们的个人身份挂钩，是使用数据的正确方法。一直以来，大多数公司都在买卖我们的数据。所以能在保持隐私的同时使用数据，会是一个巨大的进步。

以下是英伟达在不久前对联邦学习的一篇概述。

What Is Federated Learning? | NVIDIA Blog

对我来说，联邦学习是在机器学习社区面前的一条宽敞光明的道路。机器学习因其在数据集中识别模式的能力正在改变世界，联邦学习则是一个结构化的系统，它能将机器学习应用于社会层面的庞大问题上，而这些问题在过去曾因基础设施的不完备而无法被解决。