博士生David Abel詳細(xì)整理了一份87頁的ICML大會筆記

源于對學(xué)術(shù)的熱愛，讓很多人走上了博士這條求索之路，而熱愛會讓他們勤奮付出，勤奮讓他們成為佼佼者。

在剛剛過去的 ICML 大會上，來自布朗大學(xué)計算機(jī)科學(xué)的博士生 David Abel 詳細(xì)整理了一份 87 頁的 ICML 大會筆記，包括 Tutorials, Main Conference, Workshops, 的會議內(nèi)容和論文干貨，并進(jìn)行公開分享，隨后學(xué)術(shù)界的朋友們開始轉(zhuǎn)發(fā)收藏。

Tutorials 會議上主要介紹了 PAC-bayes 理論和元學(xué)習(xí)的內(nèi)容。

此外，還介紹了深度強(qiáng)化學(xué)習(xí)，強(qiáng)化學(xué)習(xí)理論，多任務(wù)和終身學(xué)習(xí)和強(qiáng)化學(xué)習(xí)理論，強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)理論。

Workshops 部分包括用 AI 應(yīng)對氣候變化，強(qiáng)化學(xué)習(xí)用于真實生活場景以及真實世界的順序決策三大部分。

David Abel 的每一篇論文筆記基本上不超過兩頁，是一分mini版本的論文概要，對論文的每一部分都做了簡要總結(jié)。以 ICML 2019 主會上的一篇最佳論文《 Challenging Assumptions in Learning Disentangled Representations》為例，他先提出了是否能以無監(jiān)督方法學(xué)習(xí)解耦表示的關(guān)鍵問題，隨后定義問題，提煉了幾點實驗發(fā)現(xiàn)，最后給出了作者結(jié)論中的關(guān)鍵要點。

完整筆記下載鏈接看這里：

https://david-abel.github.io/notes/icml_2019.pdf

很多博士生可能覺得論文眼花繚亂看都不看不過來，更不要說整理出一份詳細(xì)的筆記。而對很多還沒有機(jī)會參加 ICML 這樣頂級大會的人來說，顯然，David Abel 的筆記成了他們的福音，有人說快要完全依賴他的筆記過活了。

事實上，優(yōu)秀的人的優(yōu)秀不是間隙性的，而是一種持續(xù)性的習(xí)慣。

除了 ICML 2019 的會議筆記外，這位小哥還曾在參加今年 2 月和 5 月舉辦的 AAAI 大會和 ICLR 頂會后做了詳細(xì)的筆記，并進(jìn)行公開分享。

ICLR 2019 大會筆記：

https://david-abel.github.io/notes/iclr_2019.pdf

AAAI 2019 大會筆記：

https://david-abel.github.io/notes/aaai_2019.pdf

當(dāng)然，從 2017 年起參加的 7 次頂會后，他都做了相關(guān)筆記。

根據(jù) David Abel 在自己主頁的介紹，他在布朗大學(xué)專注于強(qiáng)化學(xué)習(xí)，師從主要從事強(qiáng)化學(xué)習(xí) Michael Littman 教授，后者也從事機(jī)器學(xué)習(xí)、博弈論、計算機(jī)網(wǎng)絡(luò)、馬爾可夫決策過程等領(lǐng)域的研究工作，并 2018 年由于其“為人工智能的順序決策算法的設(shè)計和分析做出的貢獻(xiàn)”而被選為 ACM Fellow。

當(dāng)然，作為一個如此認(rèn)真的博士生，David Abel 也有一定的學(xué)術(shù)能力和研究成果。

在 AI 研究方面，他的研究調(diào)查了機(jī)器學(xué)習(xí)的基礎(chǔ)及其在科學(xué)和社會挑戰(zhàn)中的應(yīng)用。

目前，他專注于理解抽象及其在 agency 中的作用，研究理性智能體如何模仿它們所處的世界，重點關(guān)注那些有效學(xué)習(xí)和規(guī)劃的代表性實踐。他通常使用強(qiáng)化學(xué)習(xí)范例，借鑒計算學(xué)習(xí)理論、概率和信息理論的工具。

他也非常關(guān)心 ML 對世界相關(guān)問題的負(fù)責(zé)任的應(yīng)用，如計算可持續(xù)性的使命。

在主頁里，David Abel 列出了他與其導(dǎo)師 Michael Littman 等人在各頂會上發(fā)布的數(shù)篇學(xué)術(shù)成果。

在IJCAI 2019上，發(fā)表了一篇《The Expected-Length Modelof Options》的論文，他們引入并激勵選項的期望長度模型，這是一個用于表征選項的過渡和獎勵功能的更簡單的選擇。

而在 AAAI 2019 上，發(fā)表了一篇《狀態(tài)抽象作為學(xué)徒學(xué)習(xí)中的壓縮》（State Abstraction as Compression in Apprenticeship Learning）。他們通過速率 - 失真理論（rate-distortion theory）研究了狀態(tài)抽象（state abstractions），以在壓縮和最優(yōu)性之間進(jìn)行權(quán)衡。

同樣在 ICML 2019，發(fā)表了《通過探索最小化覆蓋時間來發(fā)現(xiàn)選項》（Discovering Options for Exploration by Minimizing Cover Time），他們提出了一種基于最小化覆蓋時間探索的選項發(fā)現(xiàn)方法。

在 preprint 2018 上，發(fā)表了《在基于模型的強(qiáng)化學(xué)習(xí)中減輕計劃器的過度擬合》（Mitigating Planner Overfitting in Model-Based Reinforcement Learning），他們探索了不同的方法來避免基于模型的 RL 中規(guī)劃過度擬合。

發(fā)論文之余，David Abel 還有不錯的的教學(xué)經(jīng)歷。

2017 年夏天，他在布朗大學(xué)的 STEM II 夏季課程中教授“人工智能與社會”課程，該課程探討了人工智能的核心思想，以及人工智能和自動化會對社會產(chǎn)生的影響。

此外，他自己還制作了一份簡單的 Python 教程。

David Abel 主頁地址：

https://david-abel.github.io/