共有6篇论文获奖
萧箫 发自 凹非寺
非常AI 报道 | 公众号 QbitAI
今天，ICML 2021论文奖项公布！
今年参与评选的共有1184篇论文，数量为往年最高，共有1篇论文获杰出论文奖，4篇论文获提名。
值得一提的是，今年的杰出论文奖可以说是“横空杀出”，于当天空降现场，作者来自多伦多大学、Google Brain。
此前，在ICML 2021官网上po出的杰出论文奖，还是上交大校友、康奈尔博士生陆昱成（Yucheng Lu）一作的论文：
于当天改成了荣誉提名：
除此之外，同样来自上交大的校友、Facebook科学家田渊栋一作的论文，也获得了杰出论文奖荣誉提名。
值得一提的是，这篇论文原本只是获得Weak Accept，但经过田渊栋与评审之间经过“一番辩论”（rebuttal）后，评审最终将这篇论文改成了Accept。
今年ICML 2021的时间检验奖，则颁给了「Bayesian Learning via Stochastic Gradient Langevin Dynamics」，作者分别来自高通和牛津大学，其中一位还是Hinton的学生。
一起来看看。
杰出论文奖
今年的杰出论文奖，题目是Unbiased Gradient Estimation in Unrolled Computation Graphs with Persistent Evolution Strategies，来自多伦多大学和Google Brain。
（作者分别为Paul Vicol, Luke Metz, Jascha Sohl-Dickstein）
△一作Paul Vicol
这篇论文指出，在一些计算图中优化参数的方法存在高方差梯度、偏差、更新缓慢或内存使用量大的问题。
作者引入了一种称为Persistent Evolution Strategies (PES) 的方法，将计算图划分为一系列截断的展开，并在每次展开后执行基于进化策略的更新步骤。PES可以让参数更新速度更快、内存使用率更低、无偏差并具有合理的方差特征。
杰出论文奖荣誉提名
1、Optimal Complexity in Decentralized Training
来自康奈尔大学。
（作者陆昱成、Christopher De Sa）
这篇论文给出了去中心化在随机非凸环境下迭代复杂度的下界。结果表明，许多现有的分散训练算法如D-PSGD，在已知收敛速度上存在理论差距，但这个下界是可实现的。此外，论文还提出了一种名为DeTAG的算法，这是一种实用的去中心化算法，并在图像分类任务上与其他去中心化算法进行了比较。发现与Baseline相比，DeTAG在非缓冲数据和稀疏网络中具有更快的收敛速度。
2、Understanding self-supervised learning dynamics without contrastive pairs
来自Facebook AI Research、斯坦福大学。
（作者田渊栋、Xinlei Chen、Surya Ganguli）
这篇论文提出了一种新的方法Direct Pred，无需梯度训练，可以直接根据输入的统计信息来设置线性预测。在ImageNet上，它与更复杂的BatchNorm预测器性能相似。这项研究提供了非对比SSL方法如何学习的概念性简介，以及预测网络、停止梯度、指数移动平均数和权重衰减等因素如何发挥作用。
3、Oops I Took A Gradient: Scalable Sampling for Discrete Distributions
来自多伦多大学、Google Brain。
（作者Will Grathwohl, Kevin Swersky, Milad Hashemi, David Duvenaud, Chris Maddison）
这篇论文提出了一个可扩展的通用近似抽样策略，利用似然函数，对离散输入梯度进行Metropolis-Hastings采样更新。结果表明，这种策略较其他抽样方法如隐马尔科夫模型等在较复杂环境下更优。此外，这篇论文还对采样器进行了优化，用于训练基于高维离散图像数据的、基于能量的深度模型，较变分自动编码器和基于能量的模型更优。
4、Solving high-dimensional parabolic PDEs using the tensor train format
来自德国柏林自由大学、波茨坦大学。
（作者Lorenz Richter 、Leon Sallandt、Nikolas Nüsken）
这篇论文认为，张量训练给抛物偏微分方程提供了一个更合理的近似框架，将随机微分方程和张量格式回归型方法结合，以利用潜在的低秩结构实现压缩和高校计算。论文提出了一种新的迭代方案，与最先进的神经网络相比，这种方法在精确度和计算效率间取得了良好的折中。
时间检验奖
今年的时间检验奖名为Bayesian Learning via Stochastic Gradient Langevin Dynamics。
作者分别是高通荷兰公司技术副总裁Max Welling、牛津大学教授Yee Whye Teh（郑宇怀），后者曾经是Hinton的学生。
论文主要介绍了一种基于大规模数据集的贝叶斯学习方法，并将之应用于高斯混合模型、逻辑回归模型和自然梯度的ICA模型。
这篇论文在Google学术上的引用量已经达到了1408次，是2011年的ICML入选论文。
ICML 2021奖项：
最佳论文奖：http://proceedings.mlr.press/v139/vicol21a/vicol21a.pdf
4篇荣誉提名：https://icml.cc/virtual/2021/awards_detail
时间检验奖：https://www.cse.iitk.ac.in/users/piyush/courses/tpmi_winter21/readings/sgld.pdf
参考链接：
[1]https://twitter.com/icmlconf/status/1417110371161317378
[2]https://www.cs.cornell.edu/~yucheng/
