2017年8月6日—11日，第34届国际机器学习大会(International Conference on Machine Learning, ICML: https://2017.icml.cc/)在澳大利亚悉尼国际会展中心隆重召开。ICML是机器学习和人工智能领域国际最顶级会议之一，代表着热门科研领域的最前沿，具有广泛而深远的国际影响力。该会议源于1980年在卡内基-梅隆大学CMU举办的机器学习研讨会，由国际机器学习学会IMLS主办，每年举办一次。经过几十年的发展，ICML（中国计算机学会CCF推荐A类国际会议）已成为国际公认的机器学习和人工智能研究领域最具影响力的两大盛会之一，代表着当今机器学习人工智能学术界的最高水平。（另一会议为，神经信息处理系统大会，Neural Information Processing Systems，NIPS）
本届ICML会议录用论文434篇，录用率为25%，参会人数约2500人。作为机器学习人工智能领域的两大盛会之一，ICML受到来自全世界相关研究人员和机构的广泛关注，因而在该会议上发表论文极具挑战性。本年度，有大约20篇来自国内高校的文章，如清华、北大、南大、香港中文、浙大、西交大和西电等。大会不仅汇集了来自全世界高校的知名学者、科研人员，同时也吸引了众多科技巨头，如Google、Microsoft、Facebook、Amazon、NVIDIA、Uber和Intel，以及阿里巴巴、腾讯、百度和京东等知名企业，就机器学习、人工智能等多个研究领域的热点内容和成果进行深入的探讨。
今年，公司雷达信号处理国家重点实验室刘宏伟教授与陈渤教授指导的博士生丛玉来，在有关可处理大规模数据的深度概率模型方面的相关论文，“Deep Latent Dirichlet Allocation with Topic-Layer-Adaptive Stochastic Gradient Riemannian MCMC”，被会议录用，这也是公司首次员工作为第一作者的论文发表在ICML大会上，并做20分钟的口头报告。该工作延续了团队与德州大学奥斯汀分校（UTAustin）周名远教授合作的发表于NIPS2015的深度概率统计模型的相关研究，聚焦大数据下概率统计深层网络的快速学习问题，利用数据增广和边缘化技术，获取概率统计深层网络的Fisher信息矩阵，从而联合随机梯度马尔科夫链蒙特卡洛方法，实现了大数据下对深层网络的高效联合学习，显著提升了概率深度网络的实用性。通过该次大会，一方面展示了雷达信号处理国家重点实验室师生在机器学习领域的研究能力和成果，扩大了实验室的学术影响力，同时也有助于实验室与该领域顶尖学者的交流以及对该领域最新研究进展的了解。
论文作者合影。左：UTAustin周名远教授。中：丛玉来博士。右：陈渤教授。
丛玉来博士于ICML 2017国际会议上作海报讲解
陈渤教授在会议上作口头报告
