雷锋网(公众号：雷锋网)消息，8月6日，机器学习领域最具影响力的学术会议之一的ICML 2017在澳大利亚悉尼正式开幕。当天，除了举行多场Tutorial外，ICML还在官网正式公布了本次会议的最佳论文评选结果。在前线雷锋网AI科技评论的两位编辑（张驰和刘芳平）第一时间为大家带来获奖论文的报道。
本届ICML最佳论文的主题是，利用影响函数理解黑箱预测。机器学习中的一个关键问题就是，系统为何做出某种预测？
我们不仅需要表现优异的模型，更需要可解释的模型。理解了模型如何做出决策，也就能进一步改善它。更重要的是，要让机器学习应用于现实中的重要问题，比如医疗诊断、做出决策、灾难响应，我们就需要一个能被人类理解和信任的系统。只有这样它才能有更多的应用，毕竟谁都不希望机器给出诊断结果和治疗意见，但不给出具体原因。
雷锋网了解到，可解释性在机器学习中正变得越来越重要。巧合的是，在今天上午的一场tutorial中，Google Brain的研究科学家Been Kim也谈到了机器学习的可解释性。她还指出，除了应用的角度，让机器学习可解释还能促进它更公平地被使用。她认为，机器学习这样强大的工具不能仅被少数人理解和使用，而是应该让更多的人受益，成为人人可用的工具。
机器学习的可解释性已经有了不少的研究，但多数着重于解释模型如何做预测，而这次的最佳论文提出的问题是，如何解释模型是从哪来的？这一研究通过模型的学习算法来追溯其预测，并上溯到了训练数据中。或许正是这种进一步追溯根源的新的视角，才让它获得了最佳论文奖。
值得一提的是，最佳论文的两位作者都是华人。
Pang Wei Koh是来自新加坡的斯坦福大学在读博士生。他此前在斯坦福获得了计算机科学学士与硕士学位，并在斯坦福的AI实验室与吴恩达一同工作过。在2012年，他加入了吴恩达联合创立的在线教育平台Coursera，成为其第三位员工。在2016年他开始在斯坦福攻读博士学位。
Percy Liang是斯坦福大学的助理教授，此前曾在MIT和UCB学习及做研究。他的研究大方向是机器学习与NLP，目前的研究重点是可信任的代理，这些代理能与人类进行有效沟通，并通过互动逐步改善。
ICML 2017最佳论文奖
最佳：Understanding Black-box Predictions via Influence Functions
作者：Pang Wei Koh, Percy Liang
简介：如何解释黑箱模型的预测呢？这篇论文利用影响函数（稳健统计学中的经典技术），通过学习算法跟踪模型的预测并追溯到训练数据，从而确定对给定预测影响最大训练点。为了将影响函数扩展到现代机器学习中，论文中设计了一个简单，高效的实现，仅需梯度oracle访问和Hessian矢量积。而且即使在非凸和非微分模型上，影响函数的近似值算法仍然可以提供有价值的信息。在线性模型和卷积神经网络中，论文中也证明，影响函数可用于理解模型行为，调试模型，检测数据集错误，甚至是生成视觉上无法区分的训练集攻击。
论文下载：https://arxiv.org/pdf/1703.04730.pdf
荣誉奖（Honorable Mentions）
论文：Lost Relatives of the Gumbel Trick
作者：Matej Balog, Nilesh Tripuraneni, Zoubin Ghahramani, Adrian Weller
简介：Gumbel是从离散概率分布中抽样或估计其规格化配分函数的方法，它会以特定方式重复地对分布进行随机扰动，每次解决最可能的配置。论文中得出了一系列相关方法，其中包括Gumbel，这些新方法在几种情况下具有优异的属性，同时仅需最小的额外计算成本。特别的，要让Gumbel在离散图模型中产生计算优势，Gumbel扰动通常会被低秩扰动（low-rank perturbation）取代。而论文中的一种新方法，可以为Gibbs分布生成一系列连续抽样器。论文最后还展示了，Gumbel的简单的解析形式如何得到额外的理论成果。
论文下载：https://arxiv.org/pdf/1706.04161.pdf
论文：Modular Multitask Reinforcement Learning with Policy Sketches
作者：Jacob Andreas, Dan Klein, Sergey Levine
简介：论文描述了一个以策略草图（policy sketches）为指导的多任务深度增加学习框架。草图使用指定的子任务序列注释任务，提供关于任务之间的高级结构关系的信息，但没有如何实现的信息。为了从草图中学习，论文中提出了一个将每个子任务与模块化子策略相关联的模型，并通过在共享子策略之间绑定参数，共同最大限度地提高对完整任务特定策略的回报。论文中在三种环境中评估了方法的有效性，包括离散和连续控制环境，以及仅在完成一些高级子目标之后才能获得稀少奖励的情况。实验表明，用论文中的方法学习草图指导的策略，比现有的学习特定任务策略或共享策略的技术表现更好。
论文下载：https://arxiv.org/pdf/1611.01796
论文：A Unified Maximum Likelihood Approach for Estimating Symmetric Properties of Discrete Distributions
作者：Jayadev Acharya, Hirakendu Das, Alon Orlitsky, Ananda Suresh
论文下载：http://people.ece.cornell.edu/acharya/papers/pml-opt.pdf
ICML 2017 “时间考验”奖（Test of Time Award）
最佳：Combining Online and Offline Knowledge in UCT
作者：Sylvain Gelly and David Silver
简介：UCT算法使用基于样本的搜索在线学习值函数。 TD（λ）算法可以离线学习一个价值函数，用于策略分配。我们考虑了在UCT算法中组合离线和在线值函数的三种方法。首先，在Monte-Carlo模拟中，离线值函数被用作默认策略。其次，UCT值函数与快速在线估计的行动值（action value）相结合。第三，离线值函数用作UCT搜索树中的先验知识。我们在9 x 9 Go GnuGo 3.7.10中评估这些算法。第一种算法比随机模拟策略优于UCT，但令人惊讶的是，比更弱的手工模拟策略更差。第二种算法完全胜过UCT。第三种算法胜过拥有人工先验知识的UCT。我们将这些算法结合在MoGo中，它是世界上最强大的9 x 9 Go程序。每种技术都显著提高了MoGo的发挥力度。
论文下载：http://suo.im/2Ki4I
荣誉奖
论文：Pegasos: Primal estimated sub-gradient solver for SVM
作者：Shai Shalev-Shwartz, Yoram Singer, Nathan Srebro
简介：我们描述和分析了一个简单有效的随机子梯度下降算法，用于解决支持向量机（SVM）提出的优化问题。我们证明获得精度εε求解所需的迭代次数为Õ（1 /ε）O〜（1 /ε），其中每次迭代在单个训练样本上运行。相比之下，先前对SVM的随机梯度下降法的分析需要Ω（1 /ε2）Ω（1 /ε2）迭代。如先前设计的SVM求解器，迭代次数也以1 /λ线性缩放，其中λ是SVM的正则化参数。对于线性内核，我们的方法的总运行时间是Õ（d /（λε））O〜（d /（λε）），其中d是每个示例中非零特征数量的约束。由于运行时间不直接取决于训练集的大小，因此得到的算法特别适合于从大型数据集学习。我们的方法也扩展到非线性内核，同时仅基于原始目标函数，尽管在这种情况下，运行时确实依赖于训练集大小。我们的算法特别适用于大文本分类问题，在这些问题中，我们展示了超过以前的SVM学习方法的数量级加速。
论文下载：http://suo.im/2kC6PR
论文：A Bound on the Label Complexity of Agnostic Active Learning）
作者：Steve Hanneke
简介：我们研究了不可知PAC模型中基于池的主动学习的标签复杂度。 具体来说，我们得出了Balcan，Beygelzimer和Langford提出的A2算法所做的标签请求数量的一般界限（Balcan et al. , 2006）。 这代表了不可知PAC模型中标签复杂度的第一个非常重要的通用上限。
论文下载：http://suo.im/2wFVX3
本文作者：张驰
本文转自雷锋网禁止二次转载，原文链接
