近日，人工智能国际顶会ICML 2020公布了论文收录结果，阿里巴巴7篇论文入选，是入选论文数量最多的中国科技公司。ICML是机器学习领域全球最具影响力的学术会议之一，今年接受率仅为21.8%。
2020-06-19 15:52
很多博士生可能觉得论文眼花缭乱看都不看不过来，更不要说整理出一份详细的笔记。而对很多还没有机会参加 ICML 这样顶级大会的人来说，显然，David Abel 的笔记成了他们的福音，有人说快要完全依赖他的笔记过活了。
2019-07-18 14:45
这是一篇大规模深入研究无监督解耦表示(Disentangled Representation)的论文，对近年来绝大多数的非监督解耦表示方法进行了探索、利用 2.5GPU 年的算力在 7 个数据集上训练了 12000 多个模型。
2019-06-15 10:02
本届ICML大会支持提交两种补充材料 - 补充论文和代码/数据，这些补充内容可用于提供额外证据支持。如果作者在论文中进行匿名引用，请务必上传参考文献，以便审稿人可以快速查看。请注意不要在补充材料中透露作者的身份。
2019-03-11 09:06
通过对比 2018 年和 2019 年的论文接收情况可以发现，谷歌依旧强势领跑，如果将 DeepMind 的接收论文也统计在内，今年，一作以 Google 发表的论文数量达到了 60 篇，署名 Google 的论文总数高达104篇，科研实力可见一斑。
2019-05-25 11:11
Introduction 无监督多重图表示学习（UMGRL）受到越来越多的关注，但很少有工作同时关注共同信息和私有信息的提取。在本文中，我们认为，为了进行有效和鲁棒的 UMGRL，提取完整和干净的共同信息以及更多互补性和更少噪声的私有信息至关重要。 为了实现这一目标，我们首先研究了用于多重图的解缠表示学习，以捕获完整和干净的共同信息，并设计了对私有信息进行对比约束，以保留互补性并消除噪声。此外，我们在理论上分析了我们方法学到的共同和
2023-09-24 20:45
其实由于随机初始化等机制缺乏可复现性，早期的神经网络研究并不受欢迎。虽然，目前证明神经网络的表征能力十分强大，但可复现性问题仍然存在。此外，研究中我们总会潜在怀疑前沿工作的结果是有一些水分，而提供可复现的代码能在一定程度上排除这样的质疑。
2019-03-12 14:10
本研究在这两个方面都取得了进展。首先，我们利用听觉掩码(auditory masking)的心理声学原理，在人类听不到的音频区域添加对抗扰动，开发出有效的、不易察觉的音频对抗样本(通过人类研究得到验证)，同时对任意完整的句子保持100%的针对性成功率。
2019-04-24 09:56
专门针对序列到序列的自然语言生成任务，微软亚洲研究院提出了新的预训练方法：屏蔽序列到序列预训练（MASS: Masked Sequence to Sequence Pre-training）。MASS 对句子随机屏蔽一个长度为 k 的连续片段，然后通过编码器 - 注意力 - 解码器模型预测生成该片段。
2019-05-11 09:19
其中，蓝色代表论文总数，绿色和红色分别代表第一作者和通讯作者参与录取论文的论文数量。并且，附属机构是手动合并到研究所的，例如Google Inc.、Google AI、Google UK都将映射到Google。
2019-05-13 08:53
