人工智能頂級會議ICML 2019發布了今年論文錄取結果。提交的3424篇論文中，錄取了774篇，錄取率為22.6%，較去年有所降低。從錄取論文數量來看，谷歌成為今年最大贏家，緊隨其后的是MIT和伯克利。

ICML 2019論文錄取結果出爐，你中了嗎？

一時間，網友們可高興壞了，紛紛曬帖表示“我中了！我中了！”

據了解，今年ICML共提交3424篇論文，其中錄取774篇，論文錄取率為22.6%。錄取率較去年ICML 2018的25%有所降低。

目前，所有錄取論文已經在官方網站公布，若有投稿的讀者，可自行前往下方鏈接查看論文是否被錄取：

https://icml.cc/Conferences/2019/AcceptedPapersInitial?fbclid=IwAR0zqRJfPz2UP7dCbZ8Jcy7MrsedhasX13ueqkKl934EsksuSj3J2QrrRAQ

谷歌成為最大贏家，MIT、伯克利緊隨其后

Reddit網友發表了他和他的公司對本次ICML 2019論文錄取情況的統計結果。

地址：

https://www.reddit.com/r/MachineLearning/comments/bn82ze/n_icml_2019_accepted_paper_stats/

今年，在所有錄取的論文中，谷歌無疑成為了最大贏家。

錄取論文總數排名(按研究所)

上表顯示了以研究所(包括產業界和學術界)為單位，錄取論文總數的排名。這項統計中至少有一位作者隸屬于某研究所，因此一篇論文可以出現多次且隸屬多個研究所。

排名地址：

https://i.redd.it/wdbw91yheix21.png

其中，藍色代表論文總數，綠色和紅色分別代表第一作者和通訊作者參與錄取論文的論文數量。并且，附屬機構是手動合并到研究所的，例如Google Inc.、Google AI、Google UK都將映射到Google。

可以看到谷歌錄取論文的數量遠超其它研究所，位列第一；緊隨其后的是MIT、伯克利、谷歌大腦、斯坦福、卡內基梅隆以及微軟。

作者還分別根據學界和產業界進行了統計Top 50排名。

排名統計可視化地址：

https://i.redd.it/37hxhsmfzix21.png

在學界排名中，MIT、加州伯克利分校、斯坦福和卡內基梅隆奪冠前四，成為本屆錄取論文數的第一梯隊，且與第二梯隊拉開了一定差距。

排名可視化地址：

https://i.redd.it/wa6kjzmhzix21.png

在企業研究所Top 50排名中，谷歌無疑成為最大贏家：谷歌、谷歌大腦和谷歌DeepMind分別取得第一、第二和第四的好成績。微軟、Facebook和IBM成績也較優異，位居第三、第五和第六。

而對于國內企業，騰訊(Tencent)成績較好，位居第八名。

此外，從本屆ICML 2019錄取論文情況來看，還可以得到如下統計：

452篇論文（58.4％）純屬學術研究；

60篇論文（7.8％）來自工業研究機構；

262篇論文（33.9％）作者隸屬于學術界和工業界。

總結上述的統計，我們可以得到如下結果：

77%的貢獻來自學術界；

23%的貢獻來自產業界。

伯克利兩位研究人員分別被錄取7篇和6篇論文！

根據今年錄取論文情況，還得出了基于論文作者的排名統計情況。

排名地址：

https://i.redd.it/r2drkqkkeix21.png

上圖中根據論文唯一作者(黃色)、第一作者(橙色)、通訊作者(綠色)及論文總數(藍色)進行了統計。

來自加州大學伯克利分校的Michael Jordan被ICML 2019錄取了7篇論文，成績是相當的驚人！緊隨其后的是Volkan Cevher(EPFL)和Sergey Levine(加州大學伯克利分校)，各被錄取6篇。

同樣令人印象深刻的是，大量的研究人員擁有兩篇或兩篇以上的唯一作者或第一作者論文。這一排名中，來自谷歌的Ashok Cutkosky遙遙領先，他有一篇唯一作者論文、一篇第一作者論文和一篇普通作者論文。

Simon Du (CMU)和Jayadev Archarya (Cornell)的結果也是較為矚目的，他們分別發表了三篇第一作者論文。

排名地址：

https://i.redd.it/1mo7is3meix21.png

根據通訊作者的排名，或許我們可以從中發現更多的資深人士。

相對貢獻排名

最后這項排名是根據相對貢獻來排名的，即一篇論文中有多少作者實際上來自某個研究所。

排名地址：

https://i.redd.it/o1783e2oeix21.png

ICML 2019如何評審論文？

新智元此前做了ICML 2019評審結果一出，便遭到了眾網友諷刺的相關報道。我們先來看下ICML 2019的論文評審機制：

雙盲評審

ICML 2019論文評議采用雙盲模式; 即審稿人不知道作者的身份，作者也不知道審稿人身份。請盡可能以第三人稱的方式引用自己之前的成果，請不要在提交的論文中添加致謝、以及公共github存儲庫鏈接。如果需要匿名引用，比如參考自己在其他地方正在評議中的成果，請將此成果作為補充材料上傳。匿名是強制性要求，明確或隱含地揭示作者身份的論文可能會被拒稿。審稿人可以通過外部資源來推斷出作者的身份，比如在網上發布的技術報告。這一點并不違反雙盲審稿政策。

關于補充材料

本屆ICML大會支持提交兩種補充材料 - 補充論文和代碼/數據，這些補充內容可用于提供額外證據支持。如果作者在論文中進行匿名引用，請務必上傳參考文獻，以便審稿人可以快速查看。請注意不要在補充材料中透露作者的身份。

關于代碼提交，我們希望作者能夠合理地以匿名形式提交代碼和所在機構。即刪除作者姓名和許可信息。ICML 2019允許通過匿名github存儲庫提交代碼。但是，這些代碼必須位于在提交截止日期后不可修改的目錄中。請在提交的zip文件中的獨立文本文件中輸入github鏈接。

請注意，提交的論文必須完全獨立。大會提倡審稿人查看作者提交的補充材料，但審稿人并沒有此義務，我們也不希望給審稿人帶來不必要的負擔。作者不得利用輔助材料來延長論文長度。如果作者認為該材料對評估論文至關重要，則需要將其包含在論文中。補充材料可以zip文件或pdf格式提交。

補充材料不公布、不存檔。如果要將其包含在論文的最終版本中，則必須將材料放在網站上，并在論文的最終版本中引用該網站。

審稿人匹配

為了找到適合作者提交論文的合適審稿人，我們將使用多倫多論文匹配系統（Toronto Paper Matching System）來進行協助篩選。

作為提交過程的一部分，作者需要允許使用“論文匹配服務”的許可，向ICML2019提交論文的作者應允許使用該服務。

關于一稿多投

提交與之前已發布或已接收的相同（或基本相似）的論文，或向其他會議同時提交相同論文是不合適的。此種行為違反了我們的一稿多投政策。

這個規則有幾個例外：

允許提交已提交給期刊、但尚未在該期刊上發表的論文的精簡版本。

作者有責任確保相關期刊允許向本會議同時提交相關論文。

下列情況下的論文允許提交：在未列入Proceeding的情況下，在會議或研討會上提交或待提交的論文（例如ICML或NeurIPS研討會），僅發表過摘要部分的論文。

曾作為技術報告提交的論文（或在arXiv中已提交的預印本）允許向本屆ICML提交。在這種情況下，我們建議作者不要引用該報告，以保持匿名性。

論文作者對審稿意見的回復

目前暫定3月9日到3月14日期間，作者可以查看評議意見，并發表回復內容。

作者的回復的目的是改變審稿人對論文的判斷，回復內容最長不超過5000個字符。論文的任何一位作者都可以輸入/編輯作者回復，回復內容可以進行編輯或還原，直到截止日期為止。

論文審稿是雙盲的。請勿在回復中包含可識別出作者/共同作者的任何信息。請勿在回復中包含任何網址。

作者在擬定回復內容時應該做好判斷。沒有必要對每個小問題或改進建議逐一回復。而應該將這些回復視作解決問題的好機會，比如針對審稿人對論文的某一點不確定、審稿人做出的錯誤假設、或者審稿人誤解了論文中的某一部分等問題進行解釋。我們建議在作者回復意見中保持禮貌和專業。

ICML 2018：錄取率25%，兩篇最佳論文回顧

機器學習頂會ICML 2018于7月10日~15日在瑞典首都斯德哥爾摩舉辦，2018年ICML共收到2473篇投稿論文，比2017年的1676篇增加了47.6%。最終入選的論文一共621篇，錄取率25%。

ICML 2018最佳論文獎有兩篇獲獎論文，第一篇的作者分別是來自 MIT 的 Anish Athalye 以及來自UC Berkely 的 Nicholas Carlini 和 David Wagner，另一篇的作者則全部來自UC Berkely。

最佳論文一：

Obfuscated Gradients Give a False Sense of Security: Circumventing Defenses to Adversarial Examples

Anish Athalye (MIT), Nicholas Carlini (UCB), David Wagner(UCB)

論文地址：https://arxiv.org/pdf/1802.00420.pdf

GitHub：github.com/anishathalye/obfuscated-gradients

基于神經網絡的分類器通常被用于圖像分類，它們的水平通常接近人類。但是，這些相似的神經網絡特別容易受到對抗樣本和細微的干擾輸入的影響。下圖是一個典型的對抗樣本，對原圖增加一些肉眼看不見的擾動后，InceptionV3分類器把貓分類成了鱷梨醬。根據Szegedy等人2013年的研究顯示，這種“愚蠢的圖像”僅用梯度下降法就能合成，這類發現為物體檢測研究敲響了警鐘。

在這篇論文中，作者評估了ICLR 2018接收的9篇論文，并測試了它們面對對抗樣本的穩健性。實驗結果證實，在8篇有關對抗樣本的防御機制的論文中，有7篇的防御機制都抵擋不住論文提出的新型攻擊技術，防御水平有限。

最佳論文二：

Delayed Impact of Fair Machine Learning

Lydia Liu, Sarah Dean, Esther Rolf, Max Simchowitz, Moritz Hardt (全員UCB)

論文地址：https://arxiv.org/pdf/1803.04383

博客：bair.berkeley.edu/blog/2018/05/17/delayed-impact/

機器學習的基礎理念之一是用訓練減少誤差，但這類系統通常會因為敏感特征（如種族和性別）產生歧視行為。其中的一個原因可能是數據中存在偏見，比如在貸款、招聘、刑事司法和廣告等應用領域中，機器學習系統會因為學習了存在于數據中的歷史偏見，對現實中的弱勢群體造成傷害，因而受到批評。

ICML 2019也即將在6月9日召開，對于今年的最佳論文，我們也可以抱以期待。

那么，今年的ICML 2019，你的論文被錄取了嗎？