2017年第五届ICLR:法国土伦:沃索普赛道
2017年4月24日至26日,法国土伦,第五届国际学习代表大会,ICLR 2017,研讨会记录。 OpenReview.net网站 2017
文件决定: 接受
王北仑 , 纪高 , 齐彦军(Yanjun Qi) :
(深层)分类器对对手样本鲁棒性的理论框架。 伊拉德·霍弗 , 尼尔·艾隆 :
基于度量嵌入的半监督深度学习。 云晨铺 , 马丁·任强(Martin Renqiang Min) , 哲甘 , 劳伦斯·卡林 :
用于将视频翻译为语言的自适应特征提取。 马特科·博斯尼亚克 , Tim Rocktäschel公司 , 杰森·纳拉多夫斯基 , 塞巴斯蒂安·里德尔 :
用可差分四解释器编程。 乔治·马提乌斯 , 克里斯托夫·兰伯特 :
外推和学习方程。 瑞恩·洛维 , 迈克尔·诺瑟沃西 , 尤利安·弗拉德塞尔维亚人 , 尼古拉·安吉拉德·古蒂埃(Nicolas Angelard-Gontier) , 本吉奥 , 乔尔·皮诺 :
走向自动图灵测试:学习评估对话反应。 埃尔维·格洛汀 , 朱利安·里卡德 , 兰德尔·巴列斯特里罗 :
快速Chirplet变换为动物叫声和语言的深度学习注入了先验知识。 阿米特·丹尼尔 , 内文娜·拉齐奇 , 尤拉姆·辛格 , 库纳尔·塔瓦尔 :
短与深:素描与神经网络。 田远东 :
具有ReLU非线性的两层神经网络的对称破缺收敛性分析。 皮埃尔·塞尔马内特 , Kelvin Xu(徐开尔文) , 谢尔盖·莱文 :
模仿学习的无监督感知奖励。 Terrance DeVries公司 , 格雷厄姆·泰勒 :
要素空间中的数据集增强。 约翰·费瑟 , 马克·布罗克施密特 , 亚历山大·冈特 , 丹尼尔·塔洛 :
神经功能编程。 亚历山大·冈特 , 马克·布罗克施密特 , 内特·库什曼 , 丹尼尔·塔洛 :
终身感知编程示例。 阿米特·德什潘德 , 苏什鲁特·卡尔马尔卡 :
关于鲁棒概念和小神经网络。 亚历山大·诺维科夫 , 米哈伊尔·特罗菲莫夫 , 伊凡·奥塞莱德茨(Ivan V.Oseledets) :
指数机器。 豪尔赫·阿尔布里西奥 , 帕特里克·贾德 , 阿尔贝托·德尔马斯 , 萨耶赫·谢里菲 , 安德烈亚斯·莫绍沃斯 :
位碎片深层神经网络计算。 徐伟信(Wilson Hsu) , 阿加斯蒂娅·卡拉 , 帕斯卡·普帕特 :
高斯叶和积网络的在线结构学习。 Siamak Ravanbakhsh公司 , 杰夫·G·施耐德 , 巴纳巴斯·波佐斯(Barnabás Póczos) :
使用集合和点云进行深度学习。 大卫·拉波索 , 亚当·桑托罗 , 大卫·G·T·巴雷特 , 拉兹万·帕斯卡努 , 蒂姆·利利克拉普 , 彼得·巴塔利亚 :
从纠缠场景表示中发现对象及其关系。 本·克劳斯 , 伊恩慕雷 , 史蒂夫·雷纳斯 , 梁璐 :
用于序列建模的乘法LSTM。 尤金·贝里洛夫斯基 , 凯尔·卡斯特纳 , 加勒·瓦罗佐 , 马修·布拉施科 :
学习发现稀疏图形模型。 乔纳斯·迪格雷夫 , 米歇尔·赫尔曼斯 , 乔尼·达姆布雷 , 弗朗西斯·威菲尔斯 :
机器人深度学习的差异物理引擎。 菲利普·布莱尔 , 尤瓦尔·梅尔哈夫 , 乔尔·巴里 :
用于评估分布式表示的多语言聚类的自动生成。 塞萨尔·洛朗 , 尼古拉斯·巴拉斯 , 帕斯卡·文森特 :
递归归一化传播。 利昂·西特 , 本杰明·威尔德 , 蒂姆·兰德格拉夫 :
RenderGAN:生成真实的标签数据。 娜塔莎·贾克斯 , 谷石香 , 理查德·特纳 , 道格拉斯·埃克 :
用强化学习调整递归神经网络。 梅赫迪·米尔扎 , 亚伦·C·库维尔 , 本吉奥 :
无监督学习的一般特征。 埃德尔·桑塔纳 , 何塞·C·普林西佩 :
感知更新网络:关于可解释视频生成模型的架构约束。 阿列克谢·库拉金 , 伊恩·古德费罗 , 萨米·本吉奥 :
物理世界中的对抗性例子。 Masatoshi Hidaka先生 , Ken Miura先生 , 原田达也 :
开发基于JavaScript的深度学习平台并应用于分布式培训。 杭楚 , 拉奎尔·厄塔松 , 萨尼娅·菲德勒 :
PI歌曲:流行音乐一代的音乐合理网络。 约翰·爱迪生·阿雷瓦洛·奥维尔 , 塔马尔·索罗里奥 , 曼努埃尔·蒙特斯-y-Gómez , 法比奥·冈萨雷斯 :
用于信息融合的门控多模式单元。 Armen Aghajanyan先生 :
荷电点归一化:鞍点问题的有效解决方案。 罗伯特·根斯 , 佩德罗·多明戈斯 :
合成内核机。 塞巴斯蒂安·杜布瓦 , 纳撒内尔·罗曼诺 , 肯尼思·荣格 , 尼甘·沙阿 , 大卫·C·凯尔 :
迁移学习在电子健康记录数据中的有效性。 阿列克谢·罗曼诺夫 , 安娜·拉姆希斯基 :
被迫学习:发现没有穷尽标签的分离表征。 大卫·克鲁格 , 尼古拉斯·巴拉斯 , 斯坦尼斯瓦夫·贾斯特泽布斯基 , Devansh Arpit公司 , 马克辛德·S·坎瓦尔 , 特根·马哈拉吉 , 伊曼纽尔·本吉奥 , 阿斯贾·费舍尔 , 亚伦·C·库维尔 :
深渊网不通过记忆学习。 本·普尔 , 弗里德曼·泽克 , 苏里亚神经节 :
多任务和转移学习的智能突触。 菲利普·巴赫曼 , 亚历山德罗·索多尼 , 亚当·特里施勒 :
主动学习的学习算法。 克里斯·克莱默 , 奎德·莫里斯 , 大卫·杜维诺 :
重新解释重要性加权自动编码器。 蒂亚戈·皮门特尔 , 阿德里亚诺·维洛索 , 尼维奥·齐维亚尼 :
用于学习节点表示的无监督可伸缩算法。 塞巴斯蒂安·M·R·阿诺德 , 王春明(Chunming Wang) :
使用近似Hessian矩阵加速分布式深度学习的SGD。 乔纳森·汤普森 , 克里斯托弗·施拉赫特 , 巴勃罗·斯普雷希曼 , 肯·佩林 :
用卷积网络加速欧拉流体模拟。 马赫迪埃·阿巴斯 , 克里斯蒂安·加涅 :
通过专家团队对抗性示例的稳健性。 Irwan Bello公司 , Hieu Pham公司 , Quoc V.Le公司 , 穆罕默德·诺鲁齐 , 萨米·本吉奥 :
带强化学习的神经组合优化。 克劳斯·格雷夫 , Sjoerd van Steenkiste先生 , 尤根·施密杜贝尔(Jürgen Schmidhuber) :
神经期望最大化。 卢卡·弗朗切斯基 , 米歇尔·多尼尼 , 保罗·弗雷斯科尼 , 马西米利亚诺·蓬蒂尔 :
学习系统中的超参数优化。 桑迪·H·黄 , 尼古拉斯·帕普诺特 , 伊恩·古德费罗 , 严端 , 彼得·阿比尔 :
针对神经网络策略的对抗性攻击。 沃洛德米尔·库列绍夫 , S.Zayd Enam公司 , 斯特凡诺·埃蒙 :
使用神经网络的音频超分辨率。 安蒂·塔瓦宁 , 哈里·瓦尔波拉 :
平均水平的教师是更好的榜样:加权一致性目标提高了半监督的深度学习结果。 亚历山大·奇斯蒂亚科夫 , 叶卡捷琳娜·洛巴切娃 , 阿尔塞尼·库兹涅佐夫 , 阿列克谢·罗曼年科 :
程序行为模式的语义嵌入。 尤金·贝里洛夫斯基 , 马修·布拉施科 , 杰米·瑞安·基罗斯 , 拉奎尔·厄塔松 , 理查德·泽梅尔 :
场景图和图像的联合嵌入。 Yen-Chen Lin先生 , 张伟红 , 廖元宏 , 孟丽诗 , 刘明宇 , 最小太阳 :
深度强化学习代理的对抗性攻击策略。 吴朝元 , 阿姆尔·艾哈迈德 , 亚历克斯·贝特尔 , 亚历山大·斯莫拉 :
与定期推荐网络联合进行评级和审查培训。 克里斯·麦迪森 , 迪特里希·劳森 , 乔治·塔克 , 尼古拉斯·希斯 , 阿诺德·杜塞特 , 安德烈·姆尼赫 , 叶惠德 :
粒子值函数。 Shikhar Sharma公司 , 静和 , 卡海尔·苏勒曼 , 汉内斯·舒尔茨 , 菲利普·巴赫曼 :
使用词汇化和非词汇化数据在对话中生成自然语言。 埃文·谢尔哈默 , 帕萨·马哈茂迪 , 马克斯·阿格斯 , 特雷弗·达雷尔 :
损失本身就是回报:强化学习的自我监督。 梅迪·切尔蒂 , 巴拉兹·凯格尔 , 阿金·哈萨克 :
基于深度生成模型的从头开始药物设计:一项实证研究。 梅迪·切尔蒂 , 巴拉兹·凯格尔 , 阿金·哈萨克 :
出类拔萃的新事物产生:实验基础。 杰克·兰坎廷 , 丽塔姆巴拉·辛格 , 齐彦军(Yanjun Qi) :
基因组序列分类的记忆匹配网络。 Keiji Yanai先生 :
基于条件快速风格传输网络的无形风格传输。 埃里克·曾荫权(Eric Tzeng) , 茱蒂·霍夫曼 , 凯特·萨恩科 , 特雷弗·达雷尔 :
对手辨别域适应(研讨会扩展摘要)。 奥古斯塔斯·奥德纳 , 迪特里希·劳森 , 克里斯托弗·奥拉 :
使用强化学习在测试时改变模型行为。 刘兴宇 , 宋汉 , 毛慧子 , 威廉·J·戴利 :
高效稀疏Winograd卷积神经网络。 何塞·索特洛 , 索鲁什·梅赫里 , 昆丹·库马尔 , 乔·菲利佩·桑托斯 , 凯尔·卡斯特纳 , 亚伦·C·库尔维尔 , 本吉奥 :
Char2Wav:端到端语音合成。 丹尼尔·麦克纳马拉 , 玛丽亚·福丽娜·巴尔坎 :
转让陈述的履约保证。 宋嘉明 , 赵胜佳 , 斯特凡诺·埃蒙 :
马尔可夫链的生成性对抗学习。 纪尧姆·阿兰 , 本吉奥 :
使用线性分类器探测了解中间层。 纪高 , 王北仑 , 林泽民 , 徐伟林 , 齐彦军(Yanjun Qi) :
DeepCloak:掩蔽深层神经网络模型以对抗对手样本。 贾斯汀·吉尔默 , 科林·拉斐尔 , 塞缪尔·肖恩霍尔茨 , Maithra Raghu公司 , 贾沙·索尔·迪克斯坦(Jascha Sohl-Dickstein) :
解释直接反馈校准的学习动力学。 科林·拉斐尔 , 迪特里希·劳森 :
在期望中训练子抽样机制。 约瓦娜·米特罗维奇 , 迪诺·塞季诺维奇 , 叶惠德 :
深度内核机器通过内核重帧技巧。 安东尼奥·维加里 , 罗伯特·佩哈兹 , 尼古拉·迪·莫罗 , 弗洛里安娜·埃斯波西托 :
和网络和最大积网络的编码和解码表示。 克里斯托夫·加德拉 , 奥利维尔·玛丽 , 蒂埃里·莫拉 :
受限玻尔兹曼机器为视网膜对视觉刺激的反应提供了一个准确的量度。 昂德雷·巴加尔 , 鲁道夫·卡德莱克 , 扬·克莱因因斯特 :
拥抱数据丰富。 纳达夫·邦克 , 谢·罗森伯格 , 伊泰·胡巴拉 :
在复古学习环境中玩SNES。 卡罗尔·格雷戈 , 丹尼尔·希梅内斯·雷泽德 , Daan Wierstra公司 :
变分本质控制。 马提亚斯·梅耶 , 简·贝特尔 , 洛塔尔·蒂勒 :
用于音频分析的无监督特征学习。 谢尔盖·巴图诺夫 , 德米特里·佩特罗夫 :
基于生成匹配网络的生成模型快速自适应。 尼克·帕沃斯基 , 米格尔·贾克斯 , 本·格洛克 :
有效的变分贝叶斯神经网络集成用于离群值检测。 谢尔希·哈夫里洛夫 , 伊万·蒂托夫 :
多智能体游戏语言的出现:学习用符号序列进行交流。 郝深 :
前馈神经网络训练的平滑优化观点。 宫本武鲁 , 冈野原大辅 , 前田信一 , Masanori Koyama公司 :
虚拟前后向网络的合成梯度法。 斯特凡·卡尔森 , 侯赛因·阿齐兹普尔 , 阿里·谢里夫·拉扎维安 , 约瑟芬·沙利文 , 凯文·史密斯 :
整流器网络活动的前言。 铃木正弘 , 中山幸太郎 , 松本裕隆(Yutaka Matsuo) :
深度生成模型的联合多模式学习。 Maciej Zieba公司 , 王磊(Lei Wang) :
与GAN训练三重网络。 Karthik R公司 , 阿曼·阿奇帕尔 , Vinayshekhar BK公司 , 阿南塔拉曼宫(Anantharaman Palacode Narayana Iyer) , Channa Bankapur公司 :
诺伊。 克里斯·多纳休 , 扎卡里·利普顿 , 朱利安·麦考利 :
舞蹈-舞蹈-卷积。 安托万·阿福亚尔 , 埃尔维·戈奥 , 皮埃尔·邦内特 , Jean-Christophe伦巴多 , 亚历克西斯·乔利 :
Pl@ntNet公司 深度学习时代的应用程序。 萨希尔·夏尔马 , 巴拉拉曼·拉文德兰 :
使用主动采样的在线多任务学习。 凯文·文森特 , 凯文·斯蒂芬诺 , 迈克尔·弗鲁姆金 , 鲍里斯·金斯堡 , 朱利安·德莫斯 :
提高Winograd卷积的数值稳定性。 普拉吉特·拉马钱德兰 , 汤姆·勒佩恩 , Pooya Khorrami公司 , 穆罕默德·巴巴耶扎德 , 张世玉 , 杨章 , Mark A.Hasegawa-约翰逊 , 罗伊·H·坎贝尔 , 托马斯·S·黄 :
卷积自回归模型的快速生成。 奥列克西·库查耶夫 , 鲍里斯·金斯堡 :
LSTM网络的因子分解技巧。 泽维尔·加斯塔尔迪 :
三分支剩余网络的抖动正则化。 杨永新 , 蒂莫西·霍斯佩德斯 :
追踪规范规范化深度多任务学习。 萨希尔·加格 , 伊琳娜·里什 , 吉列尔莫·A·切基 , 奥雷利·C·洛扎诺 :
神经基因激发的词典学习:变化世界中的在线模型适应。 杰内伊·科斯 , 黎明之歌 :
深入研究针对深层政策的对抗性攻击。 亚历山大·安德森 , 科里·P·伯格 :
二元神经网络的高维几何。 李阳浩 , Naiyan Wang(王乃炎) , 石建平 , 刘佳莹 , 侯晓迪 :
重新访问批处理规范化以进行实际域调整。 牟丽丽 , 郑东路 , Hang Li公司 , 织金 :
自然语言查询的分布式与符号执行耦合。 Seungwook Kim先生 , Hyo-Eun Kim先生 :
将知识转移到具有类距离损失的较小网络。 加布里埃尔·佩雷拉 , 乔治·塔克 , 扬·乔洛夫斯基 , 卢卡斯·凯泽 , 杰弗里·欣顿 :
通过惩罚自信的输出分布来规范神经网络。 扎卡里·利普顿 , Subarna Tripathi公司 :
从生成对手网络精确恢复潜在向量。 黄勋 , 谢尔盖·贝隆吉 :
自适应实例规范化实时任意样式传输。 沃尔克·菲舍尔 , 穆马迪·查桑亚·库马尔 , 简·亨德里克·梅岑 , 托马斯·布罗克斯 :
语义图像分割的对立示例。 琼·塞拉 , 亚历山大·卡拉佐格鲁 :
使用Bloom过滤器紧凑嵌入二进制编码输入和输出。 乔治·塔克 , 安德烈·姆尼赫 , 克里斯·麦迪森 , 贾沙·索尔·迪克斯坦(Jascha Sohl-Dickstein) :
REBAR:离散潜在变量模型的低方差、无偏梯度估计。 埃里克·纳利斯尼克 , 帕德拉克·斯迈思 :
变更参考先验。 丹·亨德里克斯 , 凯文·金佩尔 :
检测对手图像的早期方法。 马文·H·S·赛格勒 , 迈克·普劳斯 , 马克·沃勒 :
走向“AlphaChem”:具有树搜索和深度神经网络策略的化学合成规划。 巴罗尼 , 阿尔曼·朱林 , 艾伦·贾布里 , 热曼·克鲁泽夫斯基 , 安吉利基·拉扎里杜 , 克莱门·西蒙尼 , 托马斯·米科洛夫 :
CommAI:评估实现有用的通用AI的第一步。
![](https://dblp.uni-trier.de/img/cog.dark.24x24.png)