今年，我们迎来了“第一届” NeurIPS ，也就是改名后的第三十一届 NIPS 会议。NeurIPS（神经信息处理系统进展大会）是神经计算领域的顶级会议，被视为机器学习领域最重要的会议之一。
本次会议共收到投稿 4854 篇，根据官方提供的论文列表，本次会议共收录 1010 篇论文，接收率为 20.8%。
对论文题目进行统计分析，不出意料，占据前三位的实意词语分别为 Learning、Neural、Network(s)，均在超过十分一的标题中出现。接下来出现频率较高的词语为 Deep、Optimization、Model(s)、Bayesian、Stochastic、Gradient、Adversarial、Variational、Reinforcement、Data、Generative、Efficient、Inference、Gaussian、Graph、Robust、Linear、Fast 和 Descent。这些词语出现在超过 2% 的题目中。
另外，我们也不难看出，贝叶斯方法、强化学习、GANs、模型的鲁棒性和高效性等是当前研究的热点。
（来源：NeurIPS）
目前，NeurIPS 已经公布了今年的 4 篇最佳论文和时间检验奖。最佳论文中的三篇出自加拿大顶尖大学，加拿大人工智能的实力引人瞩目。另外一篇论文来自 Google AI 。值得一提的是，来自华为实验室的研究者榜上有名。
以下为 4 篇最佳论文的信息：
1、Neural Ordinary Differential Equations
（参考译名：神经常微分方程）
作者：Ricky T. Q. Chen*, Yulia Rubanova*, Jesse Bettencourt*, David Duvenaud
论文地址：https://arxiv.org/abs/1806.07366
这篇论文来自于加拿大多伦多大学的 Vector Institute。论文中介绍了一类以黑盒 ODE 求解器作为组件的新的深度学习模型，详细介绍了它们的性质、训练细节等。ODE 组建使用一个神经网络对隐藏状态的导数进行参数化，而不再为隐藏层指定一个离散的序列。神经网络的输出由黑盒微分方程求解器计算。利用该组建可以建立用于时间序列、监督学习等的新模型。这些模型的评估自适应性的，可以权衡计算的速度和准确度。
图 | 左：一个残差网络定义了一个只能进行有限变换的离散序列。而 ODE 模型则定义了一个矢量场，其状态可以不断进行转换
2、Nearly tight sample complexity bounds for learning mixtures of Gaussians via sample compression schemes
（参考译名：通过样本压缩方案学习混合高斯模型的近乎紧密的样本复杂性边界）
作者：Hassan Ashtiani, Shai Ben-David , Nicholas J. A. Harvey , Christopher Liaw, Abbas Mehrabian, Yaniv Plan
论文地址：https://papers.nips.cc/paper/7601-nearly-tight-sample-complexity-bounds-for-learning-mixtures-of-gaussians-via-sample-compression-schemes
这篇论文的作者来自加拿大的 McMaster 、Waterloo 等顶尖大学。他们证明了在 d 维空间中，当方差距离小于的情况下，采样对于学习参数为 k 的高斯混合模型是充分且必要的。这进一步精确了之前研究得到的该问题的上界和下界。
3、Optimal Algorithms for Non-Smooth Distributed Optimization in Networks
（参考译名：网络中非光滑分布式优化的最优算法）
作者：Kevin Scaman? Francis Bach?Sébastien Bubeck? Yin Tat Lee? § Laurent Massoulié?
论文地址：https://arxiv.org/abs/1806.00291
这篇论文的作者来自华为诺亚方舟实验室、INRIA、微软研究院、华盛顿大学等机构。论文聚焦于包含计算单元的网络的非平滑凸函数的分布优化问题。在两个规律性假设的前提下，作者提出了 MSPD 算法和更简单有效的 DRS 算法。
4、Non-delusional Q-learning and value-iteration
（参考译名：非妄想Q学习和价值迭代）
作者：Tyler Lu，Dale Schuurmans，Craig Boutilier
论文地址：https://papers.nips.cc/paper/8200-non-delusional-q-learning-and-value-iteration
这是一篇与强化学习中 Q-learning 相关的论文，来自 GoogleAI。作者通过函数逼近的方法确定了 Q-learning 和其他动态规划模型中基本误差的基本性来源。当近似模型的框架限制了可表达贪婪策略的类别时，妄想偏差就会产生。为了解决这一问题，作者引入了一种新的一致性策略，并证明使用该策略的基于模型和无模型算法都可以消除妄想偏差，在一般条件下取得最佳结果。最后，作者还提出了几种针对大规模增强学习问题实用的启发式方法，以减轻妄想偏差的影响。
最后，今年的时间检验奖则颁发给了 2007 年的论文 The Tradeoffs of Large Scale Learning 。时间检验奖是一篇论文可以得到的最高赞誉之一，说明一篇论文经受住了时间的考验，对整个领域产生了重大的影响。这篇论文通过一个理论框架，讨论了近似优化对学习算法的影响。计算机计算能力的飞速发展的同时，我们也步入了大数据时代。机器学习、深度学习的特性使得学习理论必须将计算复杂度纳入考量。作者在研究中发现，由于训练数量和训练时间的约束，不同规模学习模型的泛化能力之间存在质的差异。该论文为不同规模模型的细节设计提供了重要的参考。
时间检验奖
The Tradeoffs of Large-Scale Learning
（参考译名：大规模学习的权衡）
作者：Le on Bottou，Olivier Bousquet
论文地址：https://papers.nips.cc/paper/3323-the-tradeoffs-of-large-scale-learning.pdf
