源于對(duì)學(xué)術(shù)的熱愛(ài)，讓很多人走上了博士這條求索之路，而熱愛(ài)會(huì)讓他們勤奮付出，勤奮讓他們成為佼佼者。

在剛剛過(guò)去的 ICML 大會(huì)上，來(lái)自布朗大學(xué)計(jì)算機(jī)科學(xué)的博士生 David Abel 詳細(xì)整理了一份 87 頁(yè)的 ICML 大會(huì)筆記，包括 Tutorials, Main Conference, Workshops, 的會(huì)議內(nèi)容和論文干貨，并進(jìn)行公開(kāi)分享，隨后學(xué)術(shù)界的朋友們開(kāi)始轉(zhuǎn)發(fā)收藏。

Tutorials 會(huì)議上主要介紹了 PAC-bayes 理論和元學(xué)習(xí)的內(nèi)容。

此外，還介紹了深度強(qiáng)化學(xué)習(xí)，強(qiáng)化學(xué)習(xí)理論，多任務(wù)和終身學(xué)習(xí)和強(qiáng)化學(xué)習(xí)理論，強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)理論。

Workshops 部分包括用 AI 應(yīng)對(duì)氣候變化，強(qiáng)化學(xué)習(xí)用于真實(shí)生活場(chǎng)景以及真實(shí)世界的順序決策三大部分。

David Abel 的每一篇論文筆記基本上不超過(guò)兩頁(yè)，是一分mini版本的論文概要，對(duì)論文的每一部分都做了簡(jiǎn)要總結(jié)。以 ICML 2019 主會(huì)上的一篇最佳論文《 Challenging Assumptions in Learning Disentangled Representations》為例，他先提出了是否能以無(wú)監(jiān)督方法學(xué)習(xí)解耦表示的關(guān)鍵問(wèn)題，隨后定義問(wèn)題，提煉了幾點(diǎn)實(shí)驗(yàn)發(fā)現(xiàn)，最后給出了作者結(jié)論中的關(guān)鍵要點(diǎn)。

完整筆記下載鏈接看這里：

https://david-abel.github.io/notes/icml_2019.pdf

很多博士生可能覺(jué)得論文眼花繚亂看都不看不過(guò)來(lái)，更不要說(shuō)整理出一份詳細(xì)的筆記。而對(duì)很多還沒(méi)有機(jī)會(huì)參加 ICML 這樣頂級(jí)大會(huì)的人來(lái)說(shuō)，顯然，David Abel 的筆記成了他們的福音，有人說(shuō)快要完全依賴(lài)他的筆記過(guò)活了。

事實(shí)上，優(yōu)秀的人的優(yōu)秀不是間隙性的，而是一種持續(xù)性的習(xí)慣。

除了 ICML 2019 的會(huì)議筆記外，這位小哥還曾在參加今年 2 月和 5 月舉辦的 AAAI 大會(huì)和 ICLR 頂會(huì)后做了詳細(xì)的筆記，并進(jìn)行公開(kāi)分享。

ICLR 2019 大會(huì)筆記：

https://david-abel.github.io/notes/iclr_2019.pdf

AAAI 2019 大會(huì)筆記：

https://david-abel.github.io/notes/aaai_2019.pdf

當(dāng)然，從 2017 年起參加的 7 次頂會(huì)后，他都做了相關(guān)筆記。

根據(jù) David Abel 在自己主頁(yè)的介紹，他在布朗大學(xué)專(zhuān)注于強(qiáng)化學(xué)習(xí)，師從主要從事強(qiáng)化學(xué)習(xí) Michael Littman 教授，后者也從事機(jī)器學(xué)習(xí)、博弈論、計(jì)算機(jī)網(wǎng)絡(luò)、馬爾可夫決策過(guò)程等領(lǐng)域的研究工作，并 2018 年由于其“為人工智能的順序決策算法的設(shè)計(jì)和分析做出的貢獻(xiàn)”而被選為 ACM Fellow。

當(dāng)然，作為一個(gè)如此認(rèn)真的博士生，David Abel 也有一定的學(xué)術(shù)能力和研究成果。

在 AI 研究方面，他的研究調(diào)查了機(jī)器學(xué)習(xí)的基礎(chǔ)及其在科學(xué)和社會(huì)挑戰(zhàn)中的應(yīng)用。

目前，他專(zhuān)注于理解抽象及其在 agency 中的作用，研究理性智能體如何模仿它們所處的世界，重點(diǎn)關(guān)注那些有效學(xué)習(xí)和規(guī)劃的代表性實(shí)踐。他通常使用強(qiáng)化學(xué)習(xí)范例，借鑒計(jì)算學(xué)習(xí)理論、概率和信息理論的工具。

他也非常關(guān)心 ML 對(duì)世界相關(guān)問(wèn)題的負(fù)責(zé)任的應(yīng)用，如計(jì)算可持續(xù)性的使命。

在主頁(yè)里，David Abel 列出了他與其導(dǎo)師 Michael Littman 等人在各頂會(huì)上發(fā)布的數(shù)篇學(xué)術(shù)成果。

在IJCAI 2019上，發(fā)表了一篇《The Expected-Length Modelof Options》的論文，他們引入并激勵(lì)選項(xiàng)的期望長(zhǎng)度模型，這是一個(gè)用于表征選項(xiàng)的過(guò)渡和獎(jiǎng)勵(lì)功能的更簡(jiǎn)單的選擇。

而在 AAAI 2019 上，發(fā)表了一篇《狀態(tài)抽象作為學(xué)徒學(xué)習(xí)中的壓縮》（State Abstraction as Compression in Apprenticeship Learning）。他們通過(guò)速率 - 失真理論（rate-distortion theory）研究了狀態(tài)抽象（state abstractions），以在壓縮和最優(yōu)性之間進(jìn)行權(quán)衡。

同樣在 ICML 2019，發(fā)表了《通過(guò)探索最小化覆蓋時(shí)間來(lái)發(fā)現(xiàn)選項(xiàng)》（Discovering Options for Exploration by Minimizing Cover Time），他們提出了一種基于最小化覆蓋時(shí)間探索的選項(xiàng)發(fā)現(xiàn)方法。

在 preprint 2018 上，發(fā)表了《在基于模型的強(qiáng)化學(xué)習(xí)中減輕計(jì)劃器的過(guò)度擬合》（Mitigating Planner Overfitting in Model-Based Reinforcement Learning），他們探索了不同的方法來(lái)避免基于模型的 RL 中規(guī)劃過(guò)度擬合。

發(fā)論文之余，David Abel 還有不錯(cuò)的的教學(xué)經(jīng)歷。

2017 年夏天，他在布朗大學(xué)的 STEM II 夏季課程中教授“人工智能與社會(huì)”課程，該課程探討了人工智能的核心思想，以及人工智能和自動(dòng)化會(huì)對(duì)社會(huì)產(chǎn)生的影響。

此外，他自己還制作了一份簡(jiǎn)單的 Python 教程。

David Abel 主頁(yè)地址：

https://david-abel.github.io/