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
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。
Twenty Lectures on Algorithmic Game Theory
Tim Roughgarden / Cambridge University Press / 2016-8-31 / USD 34.99
Computer science and economics have engaged in a lively interaction over the past fifteen years, resulting in the new field of algorithmic game theory. Many problems that are central to modern compute......一起来看看 《Twenty Lectures on Algorithmic Game Theory》 这本书的介绍吧!
JS 压缩/解压工具
在线压缩/解压 JS 代码
HSV CMYK 转换工具
HSV CMYK互换工具