刚刚，NIPS 2017 结果出炉，默默看各路大神公布喜讯

雷锋网AI科技评论：NIPS，中文名称为神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议，也是人工智能领域的A类会议。

AI科技评论消息，NIPS 2017 今年共录用论文678篇，目前全部论文名单还未对外公布，雷锋网通过各路消息汇总，为大家整理了部分录用论文。具体论文名单由官方发布为准。

微软亚洲研究院共录用四篇论文，刘铁岩老师第一时间在微博向大家汇报了这一好消息：

四篇论文分别是：

• Deliberation Networks: Sequence Generation Beyond One-Pass Decoding
  

• Decoding with Value Networks for Neural Machine Translation.
  

• LightGBM: A Highly Efficient Gradient Boosting Decision Tree.

• Finite sample analysis of the GTD Policy Evaluation Algorithms in Markov Setting.

Facebook AI实验室研究员田渊栋博士录用一篇 oral paper：

• ELF: An Extensive, Lightweight and Flexible Research Platform for Real-time Strategy Games

链接：https://arxiv.org/abs/1707.01067

宋佳铭，斯坦福博士一年级，现在在OpenAI实习，录用两篇NIPS论文：

• Inferring The Latent Structure of Human Decision-Making from Raw Visual Inputs

链接：https://arxiv.org/abs/1703.08840

• A-NICE-MC: Adversarial Training for MCMC

链接：https://arxiv.org/abs/1706.07561

美国哥伦比亚大学计算机学院助理教授，机器学习实验室主任Bert Huang 和他的学生 Sirui Yao 发表的论文：

Beyond Parity: Fairness Objectives for Collaborative Filtering

链接： https://arxiv.org/abs/1705.08804

 卡内基梅隆大学博士生Noam Brown 录用一篇NIPS 2017 oral：

• Safe and Nested Subgame Solving for Imperfect-Information Games

链接：https://arxiv.org/pdf/1705.02955.pdf

前谷歌大脑实习生，多伦多大学计算机学院机器学习博士生Alireza Makhzani 录用的论文题目是：

• “PixelGAN Autoencoders” : semi-supervised learning with GAN inference networks and PixelCNN decoders 

链接：https://arxiv.org/abs/1706.00531

贝叶斯方法研究团队（Bayesian Methods Research Group）录用论文为：

• Structured Bayesian Pruning via Log-Normal Multiplicative Noise"

链接：https://arxiv.org/abs/1705.07283

前Facebook AI研究团队研究实习生，Torch7 卷积神经网络的主要发明者Jin-Hwa Kim，录用的的论文题目为：

• Overcoming Catastrophic Forgetting by Incremental Moment Matching"

链接：https://arxiv.org/abs/1703.08475

阿姆斯特丹大学博士生Serhii Havrylov 录用的论文题目为：

• Emergence of Language with Multi-agent Games

链接：https://arxiv.org/abs/1705.11192

谷歌大脑研究员、康奈尔大学博士生Maithra Raghu 录用的论文的题目是：

• SVCCA: Singular Vector Canonical Correlation Analysis for Deep Understanding and Improvement

链接：https://arxiv.org/abs/1706.05806

雷锋网AI科技评论报道