AAAI 2020論文接收情況

經(jīng)歷了2月7日、8日的23場研討會和教程的預(yù)熱，AAAI 2020也迎來了正式會議，接收的1591篇論文（涵蓋160個主題）中有454篇論文以演講方式進行展示，其余1137篇論文以海報的形式進行展示。

毫不意外的是，中國再次制霸全場，投稿數(shù)量多達3189篇，占總投稿數(shù)的41%，而第二名的美國投稿數(shù)量為2967篇，占總投稿數(shù)的37%。

然而從接收率的排名來看，數(shù)據(jù)似乎不是那么亮眼，來自中國的論文接受率僅為18.4%，不到第一名奧地利（40%）的一半。

從官方顯示的數(shù)據(jù)來看：相較于2019年16.4%（評審數(shù)7099，接收數(shù)1150）的接收率，本屆大會的接收率增長了4.6個百分點，接收文章數(shù)目也多了400多篇。

最讓小編感到意外的，莫過于投稿的7737篇論文中，有5453（70.5%）篇第一作者來自于學生群體，真是青出于藍啊！

深度學習三巨頭特邀演講

昨日的重頭戲莫過于為時兩小時的特別活動：ACM 2018圖靈獎獲獎?wù)叩膫€人演講和小組討論。這可以說是本次組委會送給參會者的超級大福利了！

2019年3月，ACM將Yoshua Bengio （本吉奧），Geoffrey Hinton（辛頓）和Yann LeCun（楊樂昆）三位深度學習之父評為2018年圖靈獎獲得者。雖然人工神經(jīng)網(wǎng)絡(luò)早已作為一種幫助計算機識別模式和模擬人類智能的工具在20世紀80年代被引入，但直到21世紀初，只有楊樂昆、辛頓和本吉奧等一小群人仍然堅持使用這種方法。盡管他們的努力也曾遭到懷疑，但他們的想法最終點燃了人工智能領(lǐng)域?qū)ι窠?jīng)網(wǎng)絡(luò)的興趣，并最終帶來了影響現(xiàn)在和未來的一些重大技術(shù)進步。 這也是圖靈獎1966年建立以來少有的一年頒獎給三位獲獎?wù)叩脑颍劷馂?00萬美元。

ACM 表示 Geoffrey E Hinton 主要有三大貢獻：反向傳播、玻爾茲曼機、對卷積神經(jīng)網(wǎng)絡(luò)的修正。

在 1986 年的一篇著名論文《Learning Internal Representations by Error Propagation》中，Hinton 與 David Rumelhart 和 Ronald Williams 提出了反向傳播，Hinton 等研究者表示反向傳播算法可以幫助神經(jīng)網(wǎng)絡(luò)探索數(shù)據(jù)內(nèi)部的深層表征，也正是該算法的提出，使得此神經(jīng)網(wǎng)絡(luò)能夠解決以前被認為無法解決的問題。目前反向傳播算法已經(jīng)成為訓練深度神經(jīng)網(wǎng)絡(luò)所必需的算法。

1983 年，Hinton 與 Terrence Sejnowski 發(fā)明了玻爾茲曼機，這是第一個能夠?qū)W習不屬于輸入或輸出的神經(jīng)元內(nèi)部表征的神經(jīng)網(wǎng)絡(luò)。

到了 2012 年，Hinton 與他的學生 Alex Krizhevsky 和 Ilya Sutskever 為卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展做出了重要貢獻。他們利用修正線性神經(jīng)元（ReLU）和 Dropout 正則化大大提升了深度卷積神經(jīng)網(wǎng)絡(luò)的性能。在著名的 ImageNet 競賽中，Hinton 和他的學生幾乎將圖像識別的錯誤率減半，這一次挑戰(zhàn)賽的結(jié)果直接重塑了計算機視覺領(lǐng)域。

ACM 表示 Yoshua Bengio 主要有三大貢獻：序列概率模型、高維詞嵌入與注意力模型、生成對抗網(wǎng)絡(luò)的提出。

在上世紀九十年代，Bengio 提出將神經(jīng)網(wǎng)絡(luò)與序列的概率建模相結(jié)合，例如隱馬爾可夫模型這種序列的概率建模方法。這些觀點被 AT&T/NCR用于閱讀手寫支票的業(yè)務(wù)上，該系統(tǒng)被認為是九十年代神經(jīng)網(wǎng)絡(luò)研究的巔峰之作，目前基于深度學習的語音識別系統(tǒng)都是在這些概念上進行擴展的。

在 2000 年，Bengio 等研究者發(fā)表了一篇具有里程碑意義的論文《A Neural Probabilistic Language Model》，該論文引入了高維詞嵌入作為詞義的表征方法，這對自然語言處理的進展產(chǎn)生了巨大影響，包括機器翻譯、知識問答、視覺問答等等。他的研究團隊還提出了一種注意力機制，該方法在機器翻譯領(lǐng)域取得了重大突破，成為了深度學習序列建模的關(guān)鍵組成部分。

自 2010 年以來，Bengio 非常關(guān)注生成深度學習，并與 Ian Goodfellow 等研究者提出了生成對抗網(wǎng)絡(luò)（GAN），其令人驚奇的地方在于，計算機能生成與原始圖像相媲美的圖像，這項研究也引起了計算機視覺和計算機圖形學的革命。

ACM 表示 Yann LeCun 主要有三大貢獻：提出卷積神經(jīng)網(wǎng)絡(luò)、改進反向傳播算法、拓寬神經(jīng)網(wǎng)絡(luò)的視角。

20 世紀 80 年代，LeCun 構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)，這是該領(lǐng)域的一項重要理論，對于提高深度學習的效率至關(guān)重要。在20 世紀 80 年代后期就職于多倫多大學和貝爾實驗室的日子里，他利用手寫數(shù)字圖像數(shù)據(jù)集訓練了第一個卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)。如今，卷積神經(jīng)網(wǎng)絡(luò)已成為計算機視覺、語音識別、語音合成、圖像合成和自然語言處理領(lǐng)域的行業(yè)標準。

LeCun 提出了早期版本的反向傳播算法（backprop），并基于變分原理給出了清晰的推導，包括兩種加速學習時間的簡單方法。

LeCun 的貢獻還包括拓寬神經(jīng)網(wǎng)絡(luò)的研究視角，他將神經(jīng)網(wǎng)絡(luò)發(fā)展為一種計算模型，并應(yīng)用到一系列任務(wù)中，例如：在圖像識別領(lǐng)域，他研究了如何在神經(jīng)網(wǎng)絡(luò)中學習分層特征表征，這一概念現(xiàn)在經(jīng)常用于許多識別任務(wù)。他還和 Leon Bottou 一起提出了用在每一個現(xiàn)代深度學習軟件中的理念：學習系統(tǒng)可以被構(gòu)建為復雜的模塊網(wǎng)絡(luò)，在這個網(wǎng)絡(luò)中，反向傳播通過自動微分來執(zhí)行。

再看看現(xiàn)場慕名而來的粉絲群們！你就能體會到：無敵是多么~多么寂寞！

去不了現(xiàn)場固然可惜，但遠程參會看直播錄播也不失為一個好選擇。隔著屏幕也是可以近距離瞻仰大佬的，只要你的思維能跟上節(jié)拍。

直播地址：

https:///Conferences/AAAI-20/livestreamed-talks/