@国内AI研究者：你要的ICML 2022论文分享会来了

机器之心

发布于 2022-07-18 14:12:14

7790

发布于 2022-07-18 14:12:14

文章被收录于专栏：机器之心

近年来，CVPR、AAAI、NeurIPS、ICML、ACL 等顶级学术会议的影响力越来越大，每年接收论文、参会人数的数量连创新高。

但受到新冠疫情影响，国内的 AI 领域研究者很难远赴海外参会。

据官方公告，ICML 2022 大会将于 7 月 17 日 - 23 日在美国马里兰州巴尔的摩市以线上线下结合的方式举办。这也是新冠疫情以来大会首次恢复线下形式举办，遗憾的是，国内很多 AI 研究者不得不缺席。

几天前，我们在某中文问答社区潜水的时候发现，有 AI 研究者发出了这样的呼吁：

然后，机器之心被艾特了：

使命必达！这一次，为了给国内人工智能的研究者和从业者搭建一个自由、轻松的学术交流平台，在 ICML 官方授权下，上海市人工智能行业协会携手机器之心联合发起「ICML 2022 中国系列活动」，其中包括线上论文分享会、学术精英交流会、院长高层次学术闭门研讨会等系列活动将陆续举办。其中，系列活动第一场「ICML 2022 论文分享会」将于 7 月 16 日举办，广邀社区成员参与关注。

在过去一年多时间里，我们先后举办了「AAAI 2021 论文分享会」、「CVPR 2021 论文分享会」、「ACL 2021 论文分享会」等多场线下学术交流活动以及「NeurIPS 2021 线上论文分享会」、「ACL 2022 线上论文分享会」、「CVPR 2022 线上论文分享会」，邀请众多学者和论文作者到场分享，均获得了极高关注度。

不过，基于国内疫情形势的限制，这次的 ICML 2022 论文分享会依旧是以线上直播的形式举办。

目前，ICML 2022 线上论文分享会整体日程公布：

举办时间：2022 年 7 月 16 日 9:00-12:00

分享嘉宾与主题介绍

主题一：Leveraging and Understanding Representation Learning

分享嘉宾：田渊栋

分享摘要：Good representations are the key towards strong performance in real-world problems. Leveraging and understanding representation learning is thus critical, hence the topic of this talk. In the first part, we introduce our recent work that learns representations for better decision-making process, from finding the relevant and reward-aware components from high-dimensional state space, to learning the sequential decision structure itself for optimization problem that admits millions of possible Markov Decision Processes. In the second part, we study training dynamics of representation learning in contrastive and non-contrastive formulation of self-supervised learning in a principle manner, and reveal possible mechanism that good representation may emerge from training in the presence of nonlinearity.

分享人介绍：田渊栋现为 Meta AI 研究科学家和高级研究经理，致力于深度强化学习、表征学习和优化。2021 年获 ICML 杰出论文荣誉提名，2013 年获 ICCV 马尔奖提名。曾任 ELF OpenGo 项目的首席科学家和工程师。此前，2013-2014 年在 Google Driverless Car 工作，2013 年获卡内基梅隆大学机器人学院博士学位。曾担任 NeurIPS，AAAI 和 AIStats 的领域主席。

主题二：Certified Adversarial Robustness with LipNet

分享嘉宾：王立威

分享摘要：It is well-known that standard neural networks, even with a high classification accuracy, are vulnerable to small

-norm bounded adversarial perturbations. Although many attempts have been made, most previous works either can only provide empirical verification of the defense to a particular attack method, or can only develop a certified guarantee of the model robustness in limited scenarios. In this paper, we seek for a new approach to develop a theoretically principled neural network that inherently resists

perturbations. In particular, we design a novel neuron that uses

-distance as its basic operation (which we call

-dist neuron), and show that any neural network constructed with

-dist neurons (called

-dist net) is naturally a 1-Lipschitz function with respect to

-norm. This directly provides a rigorous guarantee of the certified robustness based on the margin of prediction outputs. We also prove that such networks have enough expressive power to approximate any 1-Lipschitz function with robust generalization guarantee. Our experimental results show that the proposed network is promising. Using

-dist nets as the basic building blocks, we consistently achieve state-of-the-art performance on commonly used datasets: 93.09% certified accuracy on MNIST (ϵ=0.3), 79.23% on Fashion MNIST (ϵ=0.1) and 35.10% on CIFAR-10 (ϵ=8/255).

分享人介绍：王立威，北京大学教授。长期从事机器学习理论研究。在机器学习国际权威期刊会议发表高水平论文 150 余篇。担任机器学习与计算机视觉顶级期刊 IEEE TPAMI 编委。多次担任国际机器学习旗舰会议 NeurIPS，ICML，ICLR 领域主席与高级领域主席。入选 AI’s 10 to Watch，是该奖项自设立以来首位获此荣誉的中国学者。

青年圆桌论坛

除了 Keynote 主题分享、论文分享环节，我们还将组织一场青年圆桌论坛《如何做好 AI 研究》，邀请到以下三位嘉宾就好论文的共通性与不同点；如何发掘机器学习研究中的创新点？学术界与工业界做 AI 研究的心得展开讨论。