ICML 2017的最佳论文是《Understanding Black-box Predictions via Influence Functions》,作者为斯坦福大学的Pang Wei Koh和Percy Liang。论文的研究内容是:通过影响函数(influence functions)研究机器学习的可解释性。 这篇最佳论文,算是ICML近些年比较容易理解的最佳论文之一,而且影响力也很大,目前google scholar上统计的引...
这篇论文是ICML 2017 best paper。工作做得不错,写的也好,非常严谨。两个作者都是Stanford的。一作Pang Wei Koh在Coursera工作了两年后回Stanford读博,在做一些跟对抗和鲁棒性相关的工作,这篇工作之后在NIPS 2019上还发了一篇influence function在一组数据上的效果的后续文章。另一个作者Percy Liang是一个年轻学者...
根据ICML 官方的消息,今年的最佳论文奖(Best Paper Award)被 Pang Wei Koh 和 Percy Liang 收入囊中,其中 Pang Wei Koh 目前是斯坦福大学的在读博士生,而 Percy Liang 则是斯坦福大学的助理教授,都是华人。 代码语言:javascript 复制 左:Pang Wei Koh;右: Percy Liang ...
根据ICML 官方的消息,今年的最佳论文奖(Best Paper Award)被 Pang Wei Koh 和 Percy Liang 收入囊中,其中 Pang Wei Koh 目前是斯坦福大学的在读博士生,而 Percy Liang 则是斯坦福大学的助理教授,都是华人。 左:Pang Wei Koh;右: Percy Liang Pang Wei Koh 来自新加坡,是名副其实的学神,其 GRE的成绩为:Qua...
今年的ICML的best paper。恭喜Percy Liang,今年ICML和COLT都是best paper。这篇论文我也是非常推崇。首先是分析的问题很重要,如何去理解黑箱分类器。再者是分析的手法挺另辟蹊径,从training data本身去寻找跟testing data预测的相关性,挺elegant地用了统计里面叫做influence function的东西作为量度。
ICML2017 best paper award【转发】@爱可可-爱生活:《Understanding Black-box Predictions via Influence Functions》P W Koh, P Liang [Stanford University] (2017) O网页链接
In this paper, we introduce a powerful new WaveNet-style autoencoder model that conditions an autoregressive decoder on temporal codes learned from the raw audio waveform. We also introduce NSynth, a large-scale and high-quality dataset of musical notes that is an order of magnitude larger than...
This is a PyTorch reimplementation of Influence Functions from the ICML2017 best paper: Understanding Black-box Predictions via Influence Functions by Pang Wei Koh and Percy Liang. - nimarb/pytorch_influence_functions
最佳论文奖(Best Paper Awards)获奖论文两篇 Obfuscated Gradients Give a False Sense of Security: Circumventing Defenses to Adversarial Examples 模糊梯度防御带来的只是安全的假象:绕过对抗性样本的防御 论文摘要:作者们提出,模糊梯度(obfuscated gradients)这种梯度遮蔽方法,对于对抗性样本的防御并不是真正的安全。虽...
最佳论文提名奖(Best Paper Runner Up Awards)获奖论文三篇 The Mechanics of n-Player Differentiable Games 可微分多玩家博弈的机制研究 论文摘要:深度学习最根本的基石是一个对象的梯度下降最终可以保证收敛到某个局部最小值。然而不幸的是,这种保证在某些设定下会失效,比如对抗性生成网络,其中有多个互相影响的损失...