今天凌晨，NIPS 2017开始揭榜。
作为机器学习领域的顶级会议，NIPS 2017共收到3240篇论文投稿，毫不意外这个数字又创了新高。有678篇论文被选中作为大会论文，比例20.9%。
其中有40篇被选中进行口头报告（oral），112篇选为spotlight进行展示。
接收到NIPS 2017入选通知邮件的研究者，纷纷都迫不及待的开始与外界分享这一喜悦。或曰：“登斯NIPS也，则有心旷神怡，宠辱偕忘，把酒临风，其喜洋洋者矣。”
当然也有遗憾被拒的，比方量子位在微博上看到的这一幕：形成对比的两重天。
很多入围者在庆祝之余，还附带了arXiv链接。
什么？已经在arXiv上发表？真的可以么？
对，没关系。NIPS 2017要求提交的论文，不能是已经公开/接受出版，或者曾经投递给其他会议/期刊。但是允许提前发表在arXiv.org上。
当然还有很多人并不喜欢这么做，所以他们入选的论文稍后会公开发布。
现在到底有哪些入围论文已经可以看到了？量子位手动统计了一下目前的情况，数据来自微博、推特、reddit等公开渠道。
Oral
Safe and Nested Subgame Solving for Imperfect-Information Games
在NIPS 2017接受的口头报告展示论文中，我们发现了一篇“明星”论文。来自卡内基梅隆大学博士生Noam Brown和Tuomas Sandholm教授。
还记得年初叱咤德州扑克界的AI么？量子位3月还在CMU独家专访了这两位学者。这次的论文，就是他们最新的研究成果总结。
摘要简介：不完美信息博弈问题，虽然不能通过拆解为子博弈解决，但可以通过不相交的子博弈来逼近解决方案，或者改进现有解决方案。
论文地址：
https://arxiv.org/pdf/1705.02955
Toward Goal-Driven Neural Network Models for the Rodent Whisker-Trigeminal System
这是另一篇看起来很好玩的论文。第一作者是来自斯坦福的博士生Chengxu Zhuang（庄程旭），其他作者来自MIT、西北大学以及斯坦福。
摘要简介：很大程度上，啮齿动物（老鼠什么的）通过胡须“看到”世界。在这次的研究中，我们采用目标驱动的深度神经网络对胡须-三叉神经系统进行建模。
首先，我们构建了一个生物物理学实现的老鼠胡须阵列模型。然后，生成一个胡须扫过各种3D对象的大型数据集，包括各种不同的姿势、角度和速度。接下来，我们训练了几个不同架构的DNN来解决这个数据集中的形状识别任务。
最后我们证明，胡须-三叉神经系统的DNN模型值得深入研究。
论文地址：
https://arxiv.org/abs/1706.07555
TernGrad: Ternary Gradients to Reduce Communication in Distributed Deep Learning
这篇论文的作者是杜克大学的博士生温伟、陈怡然教授等人。
摘要简介：用于同步梯度和参数的高网络通信成本，是众所周知的分布式训练瓶颈。在这个研究中，我们提出TernGrad：使用三元梯度来在数据并行中加速分布式深度学习。
论文地址：
https://arxiv.org/pdf/1705.07878
△ NIPS 2017发给陈教授的邮件
Robust and Efficient Transfer Learning with Hidden-Parameter Markov Decision Processes
这篇论文的作者三位来自哈佛大学，一位来自布朗大学。
摘要简介：这是一个新的隐马尔可夫决策过程（HiP-MDP）方案，使用贝叶斯神经网络替换之前基于高斯高程的模型。新框架将HiP-MDP的应用范围扩大到更高维度和更复杂动态的领域。
论文地址：
https://arxiv.org/abs/1706.06544
End-to-end Differentiable Proving
两位作者分别来自牛津和伦敦大学学院。
摘要简介：这是一个端到端的微分定理证明神经网络，运算基于符号的密集向量表示。具体来说，我们使用径向基函数内核，基于符号向量表示构建了一个微分计算，用以取代符号统一（symbolic unification）。
论文地址：
http://arxiv.org/abs/1705.11040
A Linear-Time Kernel Goodness-of-Fit Test
作者来自伦敦大学学院、巴黎综合理工大学、日本统计数学研究所。
摘要简介：我们提出了一种拟合优度的新型自适应测试。我们证明了新的测试，比以前的线性时间内核测试具有更大的相对效率。
论文地址：
https://arxiv.org/abs/1705.07673
On Structured Prediction Theory with Calibrated Convex Surrogate Losses
作者来自法国国家信息与自动化研究所、蒙特利尔大学。
摘要简介：这篇论文提出了一种结构化预测的新见解。对于任务丢失，我们构建了一个可以通过随机梯度下降优化的凸替代，并证明了所谓“校准函数”的紧界，将过量替代风险与实际风险相关联。
论文地址：
https://arxiv.org/abs/1703.02403
Spotlight
Overcoming Catastrophic Forgetting by Incremental Moment Matching
作者来自首尔国立大学等韩国研究机构。
摘要简介：为了解决灾难性遗忘这个问题，我们提出了使用贝叶斯神经网络框架构建的增量矩匹配（IMM）。
论文地址：
https://arxiv.org/abs/1703.08475
入选oral和Spotlight展示环节的论文，量子位初步找到这些。更多的内容，期待官方统一公布。以下还有一些NIPS 2017接受的论文。
其他入选论文
Dynamic Safe Interruptibility for Decentralized Multi-Agent Reinforcement Learning
分散式多智能体强化学习的动态安全中断
论文地址：
https://arxiv.org/abs/1704.02882
Byzantine-Tolerant Machine Learning
拜占庭容错机器学习
论文地址：
https://arxiv.org/abs/1703.02757
Causal Effect Inference with Deep Latent-Variable Models
因果效应推理与深度潜变量模型
论文地址：
https://arxiv.org/abs/1705.08821
Learning Hierarchical Information Flow with Recurrent Neural Modules
用循环神经模块学习分层信息流
论文地址：
https://arxiv.org/pdf/1706.05744
SVCCA: Singular Vector Canonical Correlation Analysis for Deep Understanding and Improvement
SVCCA：深度理解和改进的奇异向量规范相关分析
论文地址：
https://arxiv.org/abs/1706.05806
Structured Bayesian Pruning via Log-Normal Multiplicative Noise
通过对数正态乘法噪声构造贝叶斯修剪
论文地址：
https://arxiv.org/abs/1705.07283
SafetyNets: Verifiable Execution of Deep Neural Networks on an Untrusted Cloud
SafetyNets：在不可信云上可信赖的运行深度神经网络
论文地址：
https://arxiv.org/pdf/1706.10268
Working hard to know your neighbor’s margins: Local descriptor learning loss
努力学习临近的边缘：本地描述符学习损失
论文地址：
https://arxiv.org/abs/1705.10872
Emergence of Language with Multi-agent Games: Learning to Communicate with Sequences of Symbols
多智能体游戏语言的出现：学习与符号序列进行沟通
论文地址：
https://arxiv.org/abs/1705.11192
Practical Bayesian Optimization for Model Fitting with Bayesian Adaptive Direct Search
贝叶斯自适应直接搜索模型拟合的实际贝叶斯优化
论文地址：
https://arxiv.org/abs/1705.04405
GitHub地址：
https://github.com/lacerbi/bads
On Tensor Train Rank Minimization: Statistical Efficiency and Scalable Algorithm
Tensor Train等级最小化：统计效率和可扩展算法
论文地址：
https://arxiv.org/abs/1708.00132
PixelGAN Autoencoders
PixelGAN自动编码器
论文地址：
http://arxiv.org/abs/1706.00531
好啦，先到这里。最后，还是恭喜各位。
以及，如果有更多关于这次NIPS 2017想说的东西，不管是谈谈论文，发发感想，做做总结，都欢迎联系量子位~
— 完 —
