首个ICLR时间检验奖出炉,机器学习大牛Max Welling和OpenAI创始团队成员Diederik Kingma获奖

本文主要是介绍首个ICLR时间检验奖出炉,机器学习大牛Max Welling和OpenAI创始团队成员Diederik Kingma获奖,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

国际表征学习大会(ICLR)是机器学习领域的一个学术会议,每年一次,通常在每年四月底或五月初举行。会议包括特邀演讲以及经评审论文的口头和海报展示。

ICLR 由 Yann LeCun(杨立昆)和 Yoshua Bengio 两位图灵奖得主创立,被学术研究者们广泛认可,被认为是“深度学习的顶级会议“。自 2013 年举办首届起,该会议一直采用开放式同行评审。

ICLR 已进入第 12 个年头!为了颁发首届 ICLR 时间考验奖,Program Chairs 审查了 ICLR 2013 和 2014 年的论文,并寻找具有长期影响的论文。

今天,ICLR 官方公布了首个 ICLR 时间检验奖(test-of-time award)。机器学习大牛 Max Welling 和 OpenAI 创始团队成员 Diederik Kingma 因“变分自编码器(VAE)”而获奖。

图片

论文:Auto-Encoding Variational Bayes

作者:Diederik Kingma, Max Welling

论文链接:https://arxiv.org/abs/1312.6114

**获奖理由:**概率建模是我们推理世界的最基本方法之一。这篇论文率先将深度学习与可扩展的概率推理(通过重参数化技巧进行摊平均值场变分推理)整合在一起,从而产生了变分自编码器(VAE)。这项工作的持久价值在于它的优雅。用于开发 VAE 的原理加深了我们对深度学习和概率建模之间相互作用的理解,并引发了许多后续有趣的概率模型和编码方法的开发。

图片

Diederik Kingma 从事机器学习可扩展方法的研究,重点是生成模型。他的贡献包括变分自编码器(VAE)、Adam 优化器、Glow 和变分扩散模型。

2009 年和 2012 年,他在纽约大学 Yann LeCun 实验室担任研究科学家;2010-2012 年,他联合创办了 Advanza 公司,并兼任技术负责人;2015 年,他成为 OpenAI 的创始团队成员、研究科学家和算法团队负责人,专注于基础研究;2017 年,他获得阿姆斯特丹大学博士学位(优等生),由 Max Welling 指导,研究课题为深度学习和生成模型;2018 年,他加入 Google Brian/DeepMind,担任研究科学家,从事文本、图像和视频的 SOTA 生成模型研究。

图片

Max Welling 教授是阿姆斯特丹大学机器学习研究主席,也是 MSR 的杰出科学家。他是加拿大高级研究所(CIFAR)和欧洲学习与智能系统实验室(ELLIS)的研究员,也是该实验室的创始董事会成员。他曾任高通技术公司副总裁、加州大学欧文分校教授、多伦多大学和伦敦大学学院博士后(师从 Geoffrey Hinton 教授)、加州理工学院博士后(师从 Pietro Perona 教授),他在诺贝尔奖获得者 Gerard 't Hooft 教授的指导下完成了理论高能物理博士学位。

Max Welling 教授在 2011-2015 年期间担任 IEEE TPAMI 副主编,自 2015 年起担任 Neurips 基金会顾问委员会成员,并担任 Neurips 项目主席(2013 年)和总主席(2014 年)。他还曾担任 AISTATS(2009 年)和 ECCV(2016 年)项目主席,以及 MIDL(2018 年)总主席。

Max Welling 教授也是 2010 年 ECCV Koenderink 奖和 2021 年 ICML 时间检验奖的获得者。他是阿姆斯特丹机器学习实验室(AMLAB)的负责人、Qualcomm-UvA 深度学习实验室(QUVA)和 Bosch-UvA 深度学习实验室(DELTA)的共同负责人。

Max Welling 教授在机器学习、计算机视觉、统计学和物理学领域发表了 250 多篇经同行评审的文章,最著名的是与他的学生 Diederik Kingma 一起发明了变分自编码器。

参考链接:

https://blog.iclr.cc/2024/05/07/iclr-2024-test-of-time-award/

http://dpkingma.com/

https://staff.fnwi.uva.nl/m.welling/

|点击关注我 👇 记得标星|

这篇关于首个ICLR时间检验奖出炉,机器学习大牛Max Welling和OpenAI创始团队成员Diederik Kingma获奖的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/970607

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

服务器集群同步时间手记

1.时间服务器配置(必须root用户) (1)检查ntp是否安装 [root@node1 桌面]# rpm -qa|grep ntpntp-4.2.6p5-10.el6.centos.x86_64fontpackages-filesystem-1.41-1.1.el6.noarchntpdate-4.2.6p5-10.el6.centos.x86_64 (2)修改ntp配置文件 [r

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个