因疫情影响，The International Conference on Learning Representations（ICLR 2020）遗憾地成为首个线上虚拟学术顶会，而所有被接受的论文都要预先录制展示视频。虽然少了与大佬们当面交流的机会，但在家就能坐听大咖开讲也是种不错的选择。
在 ICLR 2020 共 5 天（2020 年 4 月 26 日-2020 年 4 月 30 日）的会议日程中，一共邀请了 8 位全球高影响力的学者（4 位女性学者、4 位男性学者）做报告，每天可以听到两位学术大咖的精彩分享。
这些学者中有很多来自机器学习领域的大牛，诸如机器学习泰斗、美国三院院士 Michael I. Jordan，“卷积网络之父”Yann LeCun、Facebook 人工智能研究院（FAIR）首席科学家 Devi Parikh 等，非常值得期待！
ICLR 2020 共收到了 2594 篇论文投稿，最终共有 687 篇被接收，其中 48 篇 orals、108 篇 spotlights、531 篇 poster；录取率为 26.5%，相比去年的 31.4% 略有降低。
4 月 27 日，展示 172 篇论文（涵盖元学习、对抗网络、多智能体学习、联邦学习、深度强化学习等主题），包括 14 篇 Oral、32 篇 Spotlight、126 篇 Poster。其中，德克萨斯大学团队发表的 Meta-Q-Learning，介绍了一种新的元-Q 学习（Meta-Q-Learning，MQL）算法，这是一种新的用于元强化学习的离线策略算法。
元-Q 学习借鉴了倾向性估计的思想，从而扩充了用于自适应的可用数据量。在标准连续控制基准上的实验表明，与最新的元强化学习算法相比，元-Q 学习更具有优势。4 月 28 日，展示 170 篇论文（涵盖强化学习、计算神经科学、贝叶斯元学习、可解释深度学习、自动编码机等主题），包括 10 篇 Oral、23 篇 Spotlight、137 篇 Poster。
其中，谷歌团队发表的 SEED RL: Scalable and Efficient Deep-RL with Accelerated Central Inference，提出了一个能够扩展到数千台机器的强化学习架构——SEED RL（Scalable and Efficient Deep-RL，即可扩展且高效的深度强化学习），同时该架构还能够以每秒数百万帧的速度进行训练，计算效率显著提高。
4 月 29 日，展示 164 篇论文（涵盖深度批主动学习、Transformer、时序推理、强化学习、过完备学习、神经网络模型优化等主题），包括 12 篇 Oral 、26 篇 Spotlight、126 篇 Poster。其中，华为诺亚实验室发表的 Causal Discovery with Reinforcement Learning 获得满分评价。
该论文将强化学习应用到打分法的因果发现算法中，通过基于自注意力机制的 encoder-decoder 神经网络模型探索数据之间的关系，结合因果结构的条件，并使用策略梯度的强化学习算法对神经网络参数进行训练，最终得到因果图结构。该方法在中等规模的图上的表现优于其他方法，包括传统的因果发现算法和近期的基于梯度的算法。同时该方法非常灵活，可以和任意的打分函数结合使用。
4 月 30 日，展示 177 篇论文（涵盖图神经网络、神经机器翻译、图嵌入表示、问答系统、超网络优化、强化学习、联合学习、自然语言生成、神经网络剪枝等主题），包括 12 篇 Oral、26 篇 Spotlight、139 篇 Poster。其中，南京大学团队发表的 Mirror-Generative Neural Machine Translation 获得满分评价。
该论文提出一种镜像生成式机器翻译模型：MGNMT（mirror-generative NMT）。MGNMT 是一个统一的框架，同时集成了 source-target 和 target-source 的翻译模型及其各自语种的语言模型。MGNMT 中的翻译模型和语言模型共享隐语义空间，所以能够从非平行语料中更有效地学习两个方向上的翻译。此外，翻译模型和语言模型还能够联合协作解码，提升翻译质量。
实验表明本文方法确实有效，MGNMT 在各种场景和语言（包括 resource rich 和 low-resource 语言）中始终优于现有方法。
更多会议详情可移步至会议智图开放平台 ICLR 2020 专题全析图（www.aminer.cn/conf/iclr2020），一站式查看日程、论文、作者、华人学者、一作华人学生、论文 PPT 和视频等多维信息，并提供一键综述、论文解读与讨论等功能，是您的参会智能助理。