ICLR 2017主席對此屆大會的評價

任何人置身其中的時候，都不免產(chǎn)生一種信息量巨大，怎么看也看不完的錯覺。

在剛剛閉幕的ICLR2017上，紐約大學(xué)神經(jīng)學(xué)、數(shù)學(xué)、心理學(xué)教授Eero Simoncelli作為特邀嘉賓分享了他在機器表征、人類感知方面的研究成果。

研究者 Carlos E. Perez 在自己的博客上發(fā)布了一篇文章，細(xì)數(shù)了他認(rèn)為不應(yīng)該被拒的ICLR 2017十篇好論文。

國內(nèi)外人工智能學(xué)術(shù)性會議的主題演講部分都傾向于邀請聲明在外的老學(xué)者，營造出非常濃烈的專家頂會效應(yīng)，但這無疑是忽略了對創(chuàng)新力量的發(fā)掘和培育。

該論文提出了一種基于LSTM的元學(xué)習(xí)模式用于自動學(xué)習(xí)少量學(xué)習(xí)任務(wù)中神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法參數(shù)。

最富爭議的最佳論文的第一作者張馳原，自己又是如何闡述論文的寫作思路的呢？

Facebook利用深度學(xué)習(xí)記憶網(wǎng)絡(luò)訓(xùn)練聊天機器人，使其在目標(biāo)導(dǎo)向型的應(yīng)用領(lǐng)域中，可以與客戶自由對話，并結(jié)合系統(tǒng)API調(diào)用，輸出用戶所需服務(wù)，從而提高服務(wù)準(zhǔn)確度

谷歌用循環(huán)網(wǎng)絡(luò)來生成神經(jīng)網(wǎng)絡(luò)中的模型描述，并用強化學(xué)習(xí)訓(xùn)練這個RNN，以最大限度的提高驗證集中生成的架構(gòu)的準(zhǔn)確性。

研究人員提出了Q-Prop的方法，將on-policy和off-policy的優(yōu)點結(jié)合起來，大大降低了強化學(xué)習(xí)方法的采樣復(fù)雜度。

在 Facebook 的人工智能研究中心（FAIR），理解對話一直被認(rèn)為是一個宏大和長期的人工智能研究目標(biāo)。

谷歌大腦團(tuán)隊的 Ian Goodfellow 今日在研究院官網(wǎng)上撰文，總結(jié)了谷歌在 ICLR 2017 上所做的學(xué)術(shù)貢獻(xiàn)。

會議第一天，主題演講廳座無虛席，全天下來由來自UC伯克利、紐約大學(xué)等的研究團(tuán)隊共進(jìn)行了7場演講；其余時間為Poster Session論文展示交流環(huán)節(jié)。

大量的證據(jù)證明，大批量的方法會傾向于將模型和函數(shù)歸一化，從而導(dǎo)致尖銳收斂，并最終生成了比較差的泛化效果。

以往超分辨率技術(shù)處理低像素圖像的效果不如人意，采用新技術(shù)還原低像素圖像，效果更清晰更銳利。