AMiner会议论文推荐第四十八期

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

ICLR 2021 论文推荐

Self-supervised Visual Reinforcement Learning with Object-centric Representations（以对象为中心的表征的自我监督式视觉强化学习）

论文链接：https://www.aminer.cn/pub/5fc61ed291e0118947381aec/?conf=iclr2021

推荐理由： 本文入选ICLR 2021 Spotlight。自主代理需要庞大的技能库，以便在未出现过的新任务上合理地行动。然而，仅使用高维、非结构化和未标记的观测数据流来获取这些技能对任何自主代理来说都是挑战。以往方法使用变分自动编码器将场景编码成一个低维向量，以作为代理发现新技能的目标。尽管如此，在组成/多对象环境中，很难将所有的变化因素拆解到这样一个固定长度的整个场景表示中。作者提出使用以对象为中心的表征作为一个模块化和结构化的观察空间，它通过一个组合式生成的世界模型来学习。该工作表明，表征中的结构与目标条件的注意力策略相结合，可以帮助自主代理发现和学习有用的技能。上述技能能够进一步结合起来，来解决组合性任务，对几个不同对象进行操作。

Async-RED: A Provably Convergent Asynchronous Block Parallel Stochastic Method using Deep Denoising Priors（Async-RED: 使用深度去噪前置的异步区块并行随机方法的可预测收敛性）

论文链接：https://www.aminer.cn/pub/5f7c3ede91e0117ac2a7895f/?conf=iclr2021

推荐理由： 本文入选ICLR 2021 Spotlight。正则化去噪(Regularization by denoising，RED)是近期发展起来的框架，通过整合高级去噪器作为图像前导来解决逆向问题。近期工作工作表明，当与预先训练好的深度去噪器相结合时，它具有最先进的性能。然而，当前的RED算法不足以在多核系统上进行并行处理。作者通过提出一种新的异步RED(ASYNC-RED)算法来解决这个问题，该算法可以实现数据的异步并行处理，使其在大规模反演问题上比串行对应的算法快很多。同时，它通过在每次迭代时使用随机的测量子集，进一步降低了ASYNC-RED的计算复杂性。该工作对算法进行了完整的理论分析，在数据保真度和去噪器明确的假设下建立了算法的收敛性。

Multi-variate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows（通过条件归一化流的多变量概率时间序列预测）

论文链接：https://www.aminer.cn/pub/5e4a64313a55acda1392dd6d/?conf=iclr2021

推荐理由： 本文入选ICLR 2021 Spotlight。时间序列预测通常是科学和工程问题的基础，能够帮助决策。随着数据集规模的不断扩大，扩大预测规模的简单解决方案是假设相互作用的时间序列之间的独立性。然而，对统计依赖性进行建模可以提高准确性，并实现对交互效应的分析。深度学习方法适用于上述问题，但多变量模型通常假设一个简单的参数分布，不能扩展到高维度。在这项工作中，作者通过自回归深度学习模型对时间序列的多变量时间动态进行建模，其中数据分布由条件归一化流表示。这种组合保留了自回归模型的强大功能、未来推断方面的良好性能，以及作为通用高维分布模型的流的灵活性和计算上的可伸缩性。该工作表明，在许多具有几千个交互式时间序列的真实世界数据集上，它较最先进的标准的指标有所改进。

AMiner，一个具有认知智能的学术搜索引擎：https://www.aminer.cn/

#AMiner# #论文#