林鳞 编译整理
量子位 出品 | 公众号 QbitAI
Attention:ICLR 2019大部分论文的得分和评审意见已经新鲜出炉了。
这两天,openreview网站放出了这些论文的评审结果,推特网友Horace He顺势抓取了上面的评分,统计了今年已放出论文的总体情况。
滑坡的得分中位数
OpenReview评审机制是ICLR自带的亮点,所有论文会匿名公开在openreview网站,通过单盲、双盲和将开放评审等多种形式,让同行匿名评分和提问。
根据官方消息,ICLR 19共收到投稿1592篇,是ICLR 18(935篇)投稿量的1.7倍,再往前看ICLR 17的投稿数仅为490篇。
不难发现,ICLR的论文投稿量,几乎每年翻倍增长。不过,论文评分中位数却在逐年下滑。
据Horace He统计,今年有445篇论文评审意见小于三条,论文得分中位数为5.0分,但ICLR 18得分中位数为5.3,ICLR 17的中位数高达5.7分。
和评分中位数一起下滑的还有平均得分,今年论文平均得分5.15,比去年平均分下降0.2分。
由于去年的ICLR录取率为36%,所以小哥Horace He也以投稿总量的36%画线,统计了ICLR 19得分前36%的论文得分。据统计,得分前36%的论文最低平均分为5.5,前25%的论文最低平均分6分。最低平均分1.6,最高平均分为9。
所以拿到今年成绩的小伙伴们,可以依据去年统计大致对比下自己属于哪一梯队了。
ICLR 19的官方博客温馨提示,论文作者现在可以公开反驳了。至于完整版得分和评审意见,官方表示会陆续放出。
得分Top 12论文概览
一览下目前得分Top10的论文都是哪些:
No.1:
Benchmarking Neural Network Robustness to Common Corruptions and Perturbations(评分:9.00分)
简介:提出用ImageNet-C衡量分类器的损坏鲁棒性,用ImageNet-P衡量微扰鲁棒性
地址:
No.2:
KnockoffGAN: Generating Knockoffs for Feature Selection using Generative Adversarial Networks(评分:8.5分)
简介:用生成对抗网络生成knockoff进行特征选择。
地址:
No.3:
Large Scale GAN Training for High Fidelity Natural Image Synthesis(评分:8.46分)
简介:有史以来训练规模最大的GAN,还能直接在256×256、512×512的ImageNet数据上训练,生成更让人信服的样本。
地址:
No.4:
Variational Discriminator Bottleneck: Improving Imitation Learning, Inverse RL, and GANs by Constraining Information Flow(评分:8.20分)
简介:利用信息瓶颈规范对抗性学习,可应用至秘方学习、逆向强化学习和生成性对抗网络。
地址:
No.5:
ALISTA: Analytic Weights Are As Good As Learned Weights in LISTA(评分:8.15分)
简介:提出Analytic LISTA (ALISTA),分析权重和学习权重效果一样好
地址:
No.6:
Ordered Neurons: Integrating Tree Structures into Recurrent Neural Networks(评分:8.09分)
简介:引入了一种集成了神经网络中树结构的新型归纳偏差
地址:
No.7:
Slimmable Neural Networks(评分:8.08分)
简介:提出了一种简单且通用的方法训练单个神经网络在不同宽度下的可执行程序,在运行时即时平衡自适应的精度效率。
地址:
No.8:
ProMP: Proximal Meta-Policy Search(评分:8.00分)
简介:一种新颖的、理论上可行的元强化学习算法。
地址:
No.9:
Enabling Factorized Piano Music Modeling and Generation with the MAESTRO Dataset(评分:8.00分)
简介:训练了一套模型,可以进行转录、创造和合成与音乐形式一致的声波。
地址:
No.10:
Differentiable Learning-to-Normalize via Switchable Normalization(评分:8.00分)
简介:通过可切换的标准化实现可微的Learning-to-Normalize。
地址:
No.11:
Posterior Attention Models for Sequence to Sequence Learning(评分:8.00分)
简介:基于后验概率的注意力计算可以得到更有用的注意力和更好的性能。
地址:
No.12:
No Training Required: Exploring Random Encoders for Sentence Classification(评分:8.00分)
简介:一种无需训练自嵌入就能计算语句表示的方法。
地址:
相关资料
注意了,如果你也投了ICLR 19,记得这两天去查收一下自己论文的评分和评审意见如何。
查看这些论文和评价,量子位推荐两个小工具:
OpenReviewExplorer:可以搜索在标题和摘要中包含特定关键词的论文,然后将搜索结果按排名、评分排列,也就是Horace He做的这个。
地址:
Search ICLR 2019:可以搜索openreview论文的全文,能找出用了某种技术、数据集,或者引用了某位作者的论文。
地址:
ICLR官方网站:
ICLR 2019论文OpenReview:
OpenReview评审情况统计(Horace He版):
index.html?conf=iclr2019
— 完 —
活动策划招聘
量子位正在招聘活动策划,将负责不同领域维度的线上线下相关活动策划、执行。欢迎聪明靠谱的小伙伴加入,并希望你能有一些活动策划或运营的相关经验。相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态