多少计算机类博士有顶会,真正的博士是如何参加AAAI, ICML, ICLR等AI顶会的？

原标题：真正的博士是如何参加AAAI, ICML, ICLR等AI顶会的？

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。

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：

https://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 Modelof 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)

◆

责任编辑：