内容简介：（图源自视觉中国）整理 | 一一
（图源自视觉中国）
整理 | 一一
出品 | AI科技大本营（ID:rgznai100）
源于对学术的热爱，让很多人走上了博士这条求索之路，而热爱会让他们勤奋付出，勤奋让他们成为佼佼者。
在刚刚过去的 ICML 大会上，来自布朗大学计算机科学的博士生 David Abel 详细整理了一份 87 页的 ICML 大会笔记，包括 Tutorials, Main Conference, Workshops, 的会议内容和论文干货，并进行公开分享，随后学术界的朋友们开始转发收藏。
Tutorials 会议上主要介绍了 PAC-bayes 理论和元学习的内容。
此外，还介绍了深度强化学习，强化学习理论，多任务和终身学习和强化学习理论，强化学习和深度学习理论。
Workshops 部分包括用 AI 应对气候变化，强化学习用于真实生活场景以及真实世界的顺序决策三大部分。
David Abel 的每一篇论文笔记基本上不超过两页，是一分mini版本的论文概要，对论文的每一部分都做了简要总结。以 ICML 2019 主会上的一篇最佳论文《 Challenging Assumptions in Learning Disentangled Representations》为例，他先提出了是否能以无监督方法学习解耦表示的关键问题，随后定义问题，提炼了几点实验发现，最后给出了作者结论中的关键要点。
完整笔记下载链接看这里：
https://david-abel.github.io/notes/icml_2019.pdf
很多博士生可能觉得论文眼花缭乱看都不看不过来，更不要说整理出一份详细的笔记。而对很多还没有机会参加 ICML 这样顶级大会的人来说，显然，David Abel 的笔记成了他们的福音，有人说快要完全依赖他的笔记过活了。
事实上，优秀的人的优秀不是间隙性的，而是一种持续性的习惯。
除了 ICML 2019 的会议笔记外，这位小哥还曾在参加今年 2 月和 5 月举办的 AAAI 大会和 ICLR 顶会后做了详细的笔记，并进行公开分享。
ICLR 2019 大会笔记：
https://david-abel.github.io/notes/iclr_2019.pdf
AAAI 2019 大会笔记：
ht tps://david-abel.github.io/notes/aaai_2019.pdf
当然，从 2017 年起参加的 7 次顶会后，他都做了相关笔记。
根据 David Abel 在自己主页的介绍，他在布朗大学专注于强化学习，师从主要从事强化学习 Michael Littman 教授，后者也从事机器学习、博弈论、计算机网络、马尔可夫决策过程等领域的研究工作，并 2018 年由于其“为人工智能的顺序决策算法的设计和分析做出的贡献”而被选为 ACM Fellow。
当然，作为一个如此认真的博士生，David Abel 也有一定的学术能力和研究成果。
在 AI 研究方面，他的研究调查了机器学习的基础及其在科学和社会挑战中的应用。
目前，他专注于理解抽象及其在 agency 中的作用，研究理性智能体如何模仿它们所处的世界，重点关注那些有效学习和规划的代表性实践。他通常使用强化学习范例，借鉴计算学习理论、概率和信息理论的工具。
他也非常关心 ML 对世界相关问题的负责任的应用，如计算可持续性的使命。
在主页里，David Abel 列出了他与其导师 Michael Littman 等人在各顶会上发布的数篇学术成果。
在 IJCAI 2019 上，发表了一篇《 The Expected-Length Model of Options 》 的论文，他们引入并激励选项的期望长度模型，这是一个用于表征选项的过渡和奖励功能的更简单的选择。
而在 AAAI 2019 上，发表了一篇《状态抽象作为学徒学习中的压缩 》（ State Abstraction as Compression in Apprenticeship Learning ）。他们通过速率 - 失真理论（rate-distortion theory）研究了状态抽象（state abstractions），以在压缩和最优性之间进行权衡。
同样在 ICML 2019，发表了《 通过探索最小化覆盖时间来发现选项 》（ Discovering Options for Exploration by Minimizing Cover Time ），他们提出了一种基于最小化 覆盖时间 探索的选项发现方法。
在 preprint 2018 上，发表了《 在基于模型的强化学习中减轻计划器的过度拟合 》（ Mitigating Planner Overfitting in Model-Based Reinforcement Learning ），他们探索了不同的方法来避免基于模型的 RL 中规划过度拟合。
发论文之余，David Abel 还有不错的的教学经历。
2017 年夏天，他在布朗大学的 STEM II 夏季课程中教授“人工智能与社会”课程，该课程探讨了人工智能的核心思想，以及人工智能和自动化会对社会产生的影响。
此外，他自己还制作了一份简单的 Python 教程。
David Abel 主页地址：
https://david-abel.github.io/
（*本文为 AI科技大本营整理文章，转载请微信联系 1092722531 ）
◆
精彩推荐
◆
想跟NVIDIA专业讲师学习TensorRT吗？ 扫码 进群，获取报名地址，群内优秀提问者可获得限量奖品（定制T恤或者技术图书，包邮哦~）
NVIDIA TensorRT是一种高性能深度学习推理优化器和运行时加速库，可以为深度学习推理应用程序提供低延时和高吞吐量。通过TensorRT，开发者可以优化神经网络模型，以高精度校对低精度，最后将模型部署到超大规模数据中心、嵌入式平台或者汽车产品平台中。
推荐阅读
你点的每个“在看”，我都认真当成了喜欢
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
- 华人学者再获 SIGGRAPH 优秀博士论文奖：「每章都能作为博士论文」
- 使用 RapidMiner 参加 Kaggle Titanic 竞赛
- 干货 | 参加Python面试前需要做哪些准备？
- 第一次参加"技术峰会"的收获与思考
- 2018 ACM博士论文奖公布：伯克利博士获奖，清华姚班马腾宇荣誉提名
- 每个程序员都应该参加一次 GDD
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
