早在5月時(shí)，ICML 2017被接受的論文就已經(jīng)公布了。今年的ICML收到了創(chuàng)紀(jì)錄的1676篇論文，434篇被接受（也創(chuàng)下了新紀(jì)錄）。OpenAI的研究科學(xué)家Andrej Karpathy對(duì)這些論文作了分析，并發(fā)現(xiàn)了一些有趣的事。

根據(jù)分析，所有論文中共出現(xiàn)了961個(gè)機(jī)構(gòu)名稱，其中420個(gè)只出現(xiàn)了一次。論文數(shù)前30名的機(jī)構(gòu)如下：

統(tǒng)計(jì)中Google和微軟的論文數(shù)排在了前兩名，CMU排第三。需要注意的是，統(tǒng)計(jì)中Google、Google公司、Google大腦和Google Research都屬于一個(gè)類別，同樣的還有斯坦福和斯坦福大學(xué)。一篇論文中多個(gè)人屬于同一機(jī)構(gòu)時(shí)會(huì)合并。

從這些統(tǒng)計(jì)中也可以看出，工業(yè)界發(fā)表的論文占了不小的比例。Karpathy統(tǒng)計(jì)了一些比較知名的工業(yè)界實(shí)驗(yàn)室的論文狀況，比如DeepMind、Google、微軟、Facebook、IBM、迪士尼、亞馬遜和Adobe，發(fā)現(xiàn)他們的論文占論文總數(shù)的14％。而如果算上其它不太知名業(yè)界公司的論文，他認(rèn)為約20-25％的論文有公司參與。也就是說(shuō)，ICML 2017的論文中約四分之三是完全來(lái)自學(xué)術(shù)界。

另外，由于DeepMind和Google可以算一家，加在一起它們共參與60篇論文，占總論文的6.3％。

逐年分析這些論文可以發(fā)現(xiàn)，在2011年時(shí)很少有工業(yè)界研究出現(xiàn)在ICML上。而現(xiàn)在公司的參與有了很顯著的提高。不過(guò)學(xué)術(shù)界仍然做得很好，貢獻(xiàn)了很大一部分論文。

還有其它一些比較有趣的統(tǒng)計(jì)數(shù)據(jù)。

以第一作者身份論文被接受最多的是一位中國(guó)研究者朱澤園，他有5篇論文被接受。他如今在北美的微軟研究院工作。

對(duì)第一作者所在機(jī)構(gòu)進(jìn)行統(tǒng)計(jì)，排名前五的是CMU（25），Google（19），DeepMind（15），MIT（14）和UCB（14），可見(jiàn)Google的實(shí)力。微軟研究院以10篇排在第七。

純數(shù)量統(tǒng)計(jì)并不能反應(yīng)真實(shí)的研究狀況，一個(gè)更重要的指標(biāo)或許是論文被引用的情況，畢竟論文不是生來(lái)平等的。工業(yè)界與學(xué)術(shù)界內(nèi)容被引用的情況如何，這點(diǎn)還沒(méi)有統(tǒng)計(jì)。

ICML也也是窺見(jiàn)機(jī)器學(xué)習(xí)最新趨勢(shì)的途徑之一。深度學(xué)習(xí)當(dāng)然是重要的內(nèi)容，但雷鋒網(wǎng)檢索標(biāo)題發(fā)現(xiàn)，只有6篇文章含這一關(guān)鍵詞。其它出現(xiàn)頻率較高的研究領(lǐng)域還有：強(qiáng)化學(xué)習(xí)，隨機(jī)及高斯過(guò)程，嵌入（embeddings），貝葉斯優(yōu)化，AutoML（用機(jī)器學(xué)習(xí)探索神經(jīng)網(wǎng)絡(luò)架構(gòu)）等。

除了論文，ICML上最受關(guān)注的要屬每天的主題演講了。今年大會(huì)安排了四場(chǎng)主題演講，涵蓋了AI的前沿、應(yīng)用和社會(huì)影響等方面。

四大主題演講

牛津大學(xué)Peter Donnelly

他演講的主題是：基因組學(xué)、大數(shù)據(jù)與機(jī)器學(xué)習(xí)：理解生命圖普，推動(dòng)醫(yī)療革命。

演講會(huì)通過(guò)具體的例子來(lái)說(shuō)明，將機(jī)器學(xué)習(xí)和其他推理工具應(yīng)用于基因組數(shù)據(jù)的機(jī)會(huì)和挑戰(zhàn)。

Donnelly是維康信托中心人類遺傳學(xué)研究室主任和牛津大學(xué)統(tǒng)計(jì)學(xué)教授，以及Genomics Plc公司CEO。他是牛津大學(xué)博士，曾任倫敦大學(xué)和芝加哥大學(xué)教授。他的早期研究工作涉及人口遺傳學(xué)隨機(jī)模型的開(kāi)發(fā)，后來(lái)逐漸開(kāi)發(fā)研究遺傳和基因組數(shù)據(jù)統(tǒng)計(jì)方法。他和團(tuán)隊(duì)開(kāi)發(fā)了多種廣泛使用的統(tǒng)計(jì)算法，包括STRUCTURE和PHASE。他還領(lǐng)導(dǎo)了一個(gè)名為wWGS500的項(xiàng)目，在其中牛津大學(xué)與Illumina合作，對(duì)500名具有一系列臨床條件的個(gè)體進(jìn)行測(cè)序，以評(píng)估臨床醫(yī)學(xué)中全基因組測(cè)序的短期潛力，這一項(xiàng)目也是NHS 100000基因組計(jì)劃的前身。

過(guò)去10多年，基因測(cè)序的成本呈指數(shù)級(jí)下降，而未來(lái)10多年，或許會(huì)有近10億人進(jìn)行基因測(cè)序。海量的基因數(shù)據(jù)與個(gè)人的病歷信息和可穿戴設(shè)備信息的結(jié)合，將顯著提高我們?cè)u(píng)估個(gè)體健康風(fēng)險(xiǎn)、預(yù)測(cè)健康狀況以及做出個(gè)性化治療的能力。

哈佛大學(xué)Latanya Sweeney

她的演講主題是：AI設(shè)計(jì)者如何影響公民生活

作為哈佛大學(xué)政府和技術(shù)學(xué)院教授，Sweeney的使命是開(kāi)發(fā)和運(yùn)用技術(shù)，來(lái)評(píng)估和解決社會(huì)、政治和管理問(wèn)題。她的重點(diǎn)研究領(lǐng)域是技術(shù)對(duì)人類的影響，她本人還是Technology Science總編輯 。她對(duì)數(shù)據(jù)隱私也很感興趣，是哈佛數(shù)據(jù)隱私實(shí)驗(yàn)室主任。

她認(rèn)為，技術(shù)設(shè)計(jì)者（Technology designer）是新的決策者。雖然他們沒(méi)有經(jīng)過(guò)選舉，而且大多數(shù)人不知道他們的名字，但正是他們開(kāi)發(fā)工具和創(chuàng)新時(shí)做出的決定，影響了那些能規(guī)范我們?nèi)粘Ｉ畹拇a。 隱私和安全是新技術(shù)的第一個(gè)挑戰(zhàn)，而隨著技術(shù)的進(jìn)步，生活的方方面面都會(huì)被重新定義。

DeepMind的Raia Hadsell

她的演講主題是：邁向現(xiàn)實(shí)世界的加強(qiáng)學(xué)習(xí)

她是DeepMind的高級(jí)研究科學(xué)家，在深度學(xué)習(xí)和機(jī)器人領(lǐng)域有10多年研究經(jīng)驗(yàn)。她早期的研究與用暹羅網(wǎng)絡(luò)進(jìn)行多學(xué)科學(xué)習(xí)有關(guān)，這可以用于不變特征學(xué)習(xí)。她的博士導(dǎo)師是Yann LeCun，后來(lái)加入CMU的機(jī)器人研究所，以及SRI International。她在2014年初加入了DeepMind，開(kāi)始研究通用人工智能。她目前的研究側(cè)重于AI代理和機(jī)器人系統(tǒng)持續(xù)學(xué)習(xí)的挑戰(zhàn)。

深度強(qiáng)化學(xué)習(xí)已經(jīng)迅速發(fā)展成為頗具潛力的人工智能研究領(lǐng)域，大量的雅達(dá)利游戲也被用于許多基礎(chǔ)開(kāi)發(fā)的主要基準(zhǔn)。隨著研究的成熟，更重要的是開(kāi)發(fā)復(fù)雜的學(xué)習(xí)系統(tǒng)，以解決更復(fù)雜的任務(wù)。她屆時(shí)會(huì)介紹DeepMind的最近研究，這些研究與在現(xiàn)實(shí)世界和具有復(fù)雜任務(wù)結(jié)構(gòu)的挑戰(zhàn)性環(huán)境中進(jìn)行端到端學(xué)習(xí)有關(guān)。

馬克斯·普朗克智能系統(tǒng)研究所Bernhard Sch?lkopf

他的演講主題是：因果學(xué)習(xí)

Sch?lkopf的主要研究領(lǐng)域是機(jī)器學(xué)習(xí)和因果推理。他將研究應(yīng)用于許多不同的領(lǐng)域，比如生物醫(yī)學(xué)問(wèn)題、計(jì)算攝影和天文學(xué)。他曾在AT＆T貝爾實(shí)驗(yàn)室和英國(guó)的微軟研究院工作。他是德國(guó)科學(xué)院的成員，獲得過(guò)國(guó)際模式識(shí)別協(xié)會(huì)的J.K. Aggarwal獎(jiǎng)。

在機(jī)器學(xué)習(xí)中，會(huì)使用數(shù)據(jù)來(lái)自動(dòng)尋找依賴關(guān)系，目的是對(duì)未來(lái)進(jìn)行預(yù)測(cè)。大多數(shù)機(jī)器學(xué)習(xí)方法都建立在統(tǒng)計(jì)學(xué)上，當(dāng)然也可以進(jìn)一步分析數(shù)據(jù)在統(tǒng)計(jì)依賴性后的因果結(jié)構(gòu)。Sch?lkopf認(rèn)為，這樣的因果知識(shí)可以幫助在機(jī)器學(xué)習(xí)任務(wù)中做出預(yù)測(cè)。他在演講中也會(huì)提到因果模型對(duì)機(jī)器學(xué)習(xí)任務(wù)的影響，如遷移學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。