ICLR-2019（International Conference on Learning Representations）将于2019年5月6日至9日在美国路易斯安那州新奥尔良举行。与ICLR-2018相比，没有什么大的变化。唯一比较大的变化是，在活动中举行过程中，会有一些小的workshop同期并行举行。
目前，ICLR-2019年会议的论文评分及审议结果已经出来了，让我们来看看ICLR 2019会议整体情况吧。
ICLR-2019首地址：https://iclr.cc/
ICLR-2019会议论文入口：https://openreview.net/group?id=ICLR.cc/2019/Conference
得分最高TOP-10精品论文
1. Benchmarking Neural Network Robustness to Common Corruptions and Perturbations 9.0
2. Sparse Dictionary Learning by Dynamical Neural Networks 8.5
3. KnockoffGAN: Generating Knockoffs for Feature Selection using Generative Adversarial Networks 8.5
4. Large Scale GAN Training for High Fidelity Natural Image Synthesis 8.5 1.2
5. GENERATING HIGH FIDELITY IMAGES WITH SUBSCALE PIXEL NETWORKS AND MULTIDIMENSIONAL UPSCALING 8.4
6. Variational Discriminator Bottleneck: Improving Imitation Learning, Inverse RL, and GANs by Constraining Information Flow 8.2
7. ALISTA: Analytic Weights Are As Good As Learned Weights in LISTA 8.2
8. Ordered Neurons: Integrating Tree Structures into Recurrent Neural Networks 8.1
9. Slimmable Neural Networks 8.1
10. Posterior Attention Models for Sequence to Sequence Learning 8.0
第一列为论文名称，第二列为审议平均得分。
可以发现今年审议平均分比去年要低，对比18和19年平均得分的直方图可以明显:
事实上，今年的分数是最近几年最低的，平均分数从18年的5.4降至5.1 ( 2017年为5.7 )。考虑到去年36 %的接受率，今年accept的得分应该在5.5左右。
最有争议的论文呢
前五名有争议的论文
这些是审稿人之间差异较大的论文。一个明显的例子是论文《Large-Scale Visual Speech Recognition》，作者构建了一个用于lip reading的大规模数据集，并提出了一个优于先前方法甚至高于人类水平的pipeline方法。在一篇题为“Engineering Marvel”的评论中，得分为3 / 10，置信度为5，Reviewer1声称没有新意，并提供了一份问题列表。
与此不同，Reviewer 3对提交的得分为9 / 10，置信度为4，认为提交的材料对研究界有用，因为它提供了一个大数据集和一个强有力的baseline。
现在，我们知道了得分最高和最有争议的一些论文，以及可能accept的分数线，但是哪个是本届会议的热点话题？有些题目比其他题目评分高吗？
关键词分布
我们可以看看关键字以及它们的评级:
这是前25个关键字的评级直方图。Optimization和Variational inference是最有价值的关键词，而machine learning和interpretability是评级最差的关键词。
Reviewer的置信度
与去年类似，置信的评论者倾向于给出更极端的分数。事实上，不仅置信度会影响极端评分，评审截止的日期也会受到影响:
令人惊讶的是，今年大多数rejects都集中在最后几天。这不同于ICLR 2018，当时大部分都集中在开头。
然而，毫无疑问的是，大多数的review都是最后几天提交的:
目前的信息就这些了，有其他的新信息，在及时更新。
往期精品内容推荐
UC Berkeley-18-最新深度强化学习课程（中英字幕）
吴恩达-中文完整版《Mechine Learning Yearning》分享
10月最新-深度强化学习圣经-《Reinforcement Learning-第二版》
基于深度学习的文本分类6大算法-原理、结构、论文、源码打包分享
一文告诉你Adam、AdamW、Amsgrad区别和联系，助你实现Super-convergence的终极目标
DeepLearning_NLP
深度学习与NLP
商务合作请联系微信号：lqfarmerlq
