ICML 2019论文录取Top100：谷歌霸榜

新智元

发布于 2019-05-17 15:34:22

4940

发布于 2019-05-17 15:34:22

文章被收录于专栏：新智元新智元

【导读】人工智能顶级会议ICML 2019发布了今年论文录取结果。提交的3424篇论文中，录取了774篇，录取率为22.6%，较去年有所降低。从录取论文数量来看，谷歌成为今年最大赢家，紧随其后的是MIT和伯克利。

ICML 2019论文录取结果出炉，你中了吗？

一时间，网友们可高兴坏了，纷纷晒帖表示“我中了！我中了！”

据了解，今年ICML共提交3424篇论文，其中录取774篇，论文录取率为22.6%。录取率较去年ICML 2018的25%有所降低。

目前，所有录取论文已经在官方网站公布，若有投稿的读者，可自行前往下方链接查看论文是否被录取：

https://icml.cc/Conferences/2019/AcceptedPapersInitial?fbclid=IwAR0zqRJfPz2UP7dCbZ8Jcy7MrsedhasX13ueqkKl934EsksuSj3J2QrrRAQ

谷歌成为最大赢家，MIT、伯克利紧随其后

Reddit网友发表了他和他的公司对本次ICML 2019论文录取情况的统计结果。

地址：

https://www.reddit.com/r/MachineLearning/comments/bn82ze/n_icml_2019_accepted_paper_stats/

今年，在所有录取的论文中，谷歌无疑成为了最大赢家。

录取论文总数排名(按研究所)

上表显示了以研究所(包括产业界和学术界)为单位，录取论文总数的排名。这项统计中至少有一位作者隶属于某研究所，因此一篇论文可以出现多次且隶属多个研究所。

排名地址：

https://i.redd.it/wdbw91yheix21.png

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。

可以看到谷歌录取论文的数量远超其它研究所，位列第一；紧随其后的是MIT、伯克利、谷歌大脑、斯坦福、卡内基梅隆以及微软。

作者还分别根据学界和产业界进行了统计Top 50排名。

排名统计可视化地址：

https://i.redd.it/37hxhsmfzix21.png

在学界排名中，MIT、加州伯克利分校、斯坦福和卡内基梅隆夺冠前四，成为本届录取论文数的第一梯队，且与第二梯队拉开了一定差距。

排名可视化地址：

https://i.redd.it/wa6kjzmhzix21.png

在企业研究所Top 50排名中，谷歌无疑成为最大赢家：谷歌、谷歌大脑和谷歌DeepMind分别取得第一、第二和第四的好成绩。微软、Facebook和IBM成绩也较优异，位居第三、第五和第六。

而对于国内企业，腾讯(Tencent)成绩较好，位居第八名。

此外，从本届ICML 2019录取论文情况来看，还可以得到如下统计：

452篇论文（58.4％）纯属学术研究；
60篇论文（7.8％）来自工业研究机构；
262篇论文（33.9％）作者隶属于学术界和工业界。

总结上述的统计，我们可以得到如下结果：

77%的贡献来自学术界；
23%的贡献来自产业界。

伯克利两位研究人员分别被录取7篇和6篇论文！

根据今年录取论文情况，还得出了基于论文作者的排名统计情况。

排名地址：

https://i.redd.it/r2drkqkkeix21.png

上图中根据论文唯一作者(黄色)、第一作者(橙色)、通讯作者(绿色)及论文总数(蓝色)进行了统计。

来自加州大学伯克利分校的Michael Jordan被ICML 2019录取了7篇论文，成绩是相当的惊人！紧随其后的是Volkan Cevher(EPFL)和Sergey Levine(加州大学伯克利分校)，各被录取6篇。

同样令人印象深刻的是，大量的研究人员拥有两篇或两篇以上的唯一作者或第一作者论文。这一排名中，来自谷歌的Ashok Cutkosky遥遥领先，他有一篇唯一作者论文、一篇第一作者论文和一篇普通作者论文。

Simon Du (CMU)和Jayadev Archarya (Cornell)的结果也是较为瞩目的，他们分别发表了三篇第一作者论文。

排名地址：

https://i.redd.it/1mo7is3meix21.png

根据通讯作者的排名，或许我们可以从中发现更多的资深人士。

相对贡献排名

最后这项排名是根据相对贡献来排名的，即一篇论文中有多少作者实际上来自某个研究所。

排名地址：

https://i.redd.it/o1783e2oeix21.png

ICML 2019如何评审论文？

新智元此前做了ICML 2019评审结果一出，便遭到了众网友讽刺的相关报道。我们先来看下ICML 2019的论文评审机制：

双盲评审

ICML 2019论文评议采用双盲模式; 即审稿人不知道作者的身份，作者也不知道审稿人身份。请尽可能以第三人称的方式引用自己之前的成果，请不要在提交的论文中添加致谢、以及公共github存储库链接。如果需要匿名引用，比如参考自己在其他地方正在评议中的成果，请将此成果作为补充材料上传。匿名是强制性要求，明确或隐含地揭示作者身份的论文可能会被拒稿。审稿人可以通过外部资源来推断出作者的身份，比如在网上发布的技术报告。这一点并不违反双盲审稿政策。

关于补充材料

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。

关于代码提交，我们希望作者能够合理地以匿名形式提交代码和所在机构。即删除作者姓名和许可信息。ICML 2019允许通过匿名github存储库提交代码。但是，这些代码必须位于在提交截止日期后不可修改的目录中。请在提交的zip文件中的独立文本文件中输入github链接。

请注意，提交的论文必须完全独立。大会提倡审稿人查看作者提交的补充材料，但审稿人并没有此义务，我们也不希望给审稿人带来不必要的负担。作者不得利用辅助材料来延长论文长度。如果作者认为该材料对评估论文至关重要，则需要将其包含在论文中。补充材料可以zip文件或pdf格式提交。

补充材料不公布、不存档。如果要将其包含在论文的最终版本中，则必须将材料放在网站上，并在论文的最终版本中引用该网站。

审稿人匹配

为了找到适合作者提交论文的合适审稿人，我们将使用多伦多论文匹配系统（Toronto Paper Matching System）来进行协助筛选。

作为提交过程的一部分，作者需要允许使用“论文匹配服务”的许可，向ICML2019提交论文的作者应允许使用该服务。

关于一稿多投

提交与之前已发布或已接收的相同（或基本相似）的论文，或向其他会议同时提交相同论文是不合适的。此种行为违反了我们的一稿多投政策。

这个规则有几个例外：

允许提交已提交给期刊、但尚未在该期刊上发表的论文的精简版本。

作者有责任确保相关期刊允许向本会议同时提交相关论文。

下列情况下的论文允许提交：在未列入Proceeding的情况下，在会议或研讨会上提交或待提交的论文（例如ICML或NeurIPS研讨会），仅发表过摘要部分的论文。

曾作为技术报告提交的论文（或在arXiv中已提交的预印本）允许向本届ICML提交。在这种情况下，我们建议作者不要引用该报告，以保持匿名性。

论文作者对审稿意见的回复

目前暂定3月9日到3月14日期间，作者可以查看评议意见，并发表回复内容。

作者的回复的目的是改变审稿人对论文的判断，回复内容最长不超过5000个字符。论文的任何一位作者都可以输入/编辑作者回复，回复内容可以进行编辑或还原，直到截止日期为止。

论文审稿是双盲的。请勿在回复中包含可识别出作者/共同作者的任何信息。请勿在回复中包含任何网址。

作者在拟定回复内容时应该做好判断。没有必要对每个小问题或改进建议逐一回复。而应该将这些回复视作解决问题的好机会，比如针对审稿人对论文的某一点不确定、审稿人做出的错误假设、或者审稿人误解了论文中的某一部分等问题进行解释。我们建议在作者回复意见中保持礼貌和专业。

ICML 2018：录取率25%，两篇最佳论文回顾

机器学习顶会ICML 2018于7月10日~15日在瑞典首都斯德哥尔摩举办，2018年ICML共收到2473篇投稿论文，比2017年的1676篇增加了47.6%。最终入选的论文一共621篇，录取率25%。

ICML 2018最佳论文奖有两篇获奖论文，第一篇的作者分别是来自 MIT 的 Anish Athalye 以及来自UC Berkely 的 Nicholas Carlini 和 David Wagner，另一篇的作者则全部来自UC Berkely。

最佳论文一：

Obfuscated Gradients Give a False Sense of Security: Circumventing Defenses to Adversarial Examples

Anish Athalye (MIT), Nicholas Carlini (UCB), David Wagner(UCB)

论文地址：https://arxiv.org/pdf/1802.00420.pdf

GitHub：github.com/anishathalye/obfuscated-gradients

基于神经网络的分类器通常被用于图像分类，它们的水平通常接近人类。但是，这些相似的神经网络特别容易受到对抗样本和细微的干扰输入的影响。下图是一个典型的对抗样本，对原图增加一些肉眼看不见的扰动后，InceptionV3分类器把猫分类成了鳄梨酱。根据Szegedy等人2013年的研究显示，这种“愚蠢的图像”仅用梯度下降法就能合成，这类发现为物体检测研究敲响了警钟。