NIPS为什么这么火？

NIPS昨天开放注册，会议门票在短短11分钟内就售罄；半小时后，tutorial和workshop的票也全部售光，一场学术会议门票，比霉霉的演唱会门票还难搞，为什么会这么火？

为什么一场学术会议门票，比Taylor Swift的演唱会门票还难搞定？！

昨天，神经信息处理系统大会（Neural Information Processing Systems，NIPS）开放注册，会议门票在短短11分钟内就售罄；半小时后，tutorial和workshop的票也全部售光。

腾讯量子实验室杰出科学家张胜誉感叹：我刷个牙回来就没了！

美国杜克大学电子计算机工程系教授陈怡然：上个课回来票就没了。半小时就sold out，有黄牛党吧！！

NIPS为什么这么火？

作为AI领域最重要的顶会，自1987年诞生以来，NIPS大部分时间只是吸引了计算机科学领域的研究人员，并没有像现在这么火爆，但随着近几年深度学习的崛起，NIPS成为了学术界、工业界共同关注的重点会议，人数从数年前的几百人跃升到去年的8000人。

推特上甚至有好事者做了一张图，认为从NIPS的售票情况判断，机器学习奇点将于2048年到来。

不过，从今年大会售票情况看，这位仁兄的机器学习奇点临近要提前了：）

11分钟售完，比霉霉的演唱会门票还难抢

今年12月3-8月，NIPS 2018在加拿大蒙特利尔会展中心举行，主办方于 9 月 4 日 8 点开放注册，但仅用了11分钟38秒主会议门票就售罄，半小时后，tutorial和workshop的票也全部显示Sold Out。

没人能想到NIPS今年依旧这样的火爆。

Kaggle CTO Ben Hamner也在推特上吐槽：

抢一个机器学习会议的门票，看上出比Taylor Swift演唱会或者汉密尔顿的剧还难！

Ben Hamner还一本正经的讨论起NIPS的售票策略：

也许应该采用分层的方法，在超额预定的群体中加入抽签？例如：

A类：今年发表论文（保证座位）

B类：以前在NIPS上发表过（M spots）

C类：来自代表名额不够组w/说明ML能力(N spots)

D类：其他（剩余位置）

Facebook的Alex LeBurn在去年做了一张图，展示了从2012年到2017年NIPS售票情况，去年的NIPS，用了10天门票才售罄。

从图中可以看出，那根代表 2017 年注册情况的蓝色曲线如火箭般飙升。Alex LeBurn 用了 “Deep learning hype in one picture”形容这张图。

如果加上2018年的售票情况，那就是直线上升了。

31岁的学术顶会，依旧是计算机界的风向标

NIPS于1986 年在由加州理工学院和贝尔实验室组织的Snowbird 神经网络计算年度闭门论坛上首次提出。NIPS 最初被设计为研究探索生物和人工神经网络的互补性开放跨学科会议。

早期NIPS 会议中提出的研究报告涵盖主题范围很广，包括从解决纯工程问题到使用计算机模型作为了解生物神经系统的工具等等。之后，生物和人工系统的研究发生了分化，近年来的NIPS 大会一直以机器学习、人工智能和统计学论文为主。

虽然NIPS首字母缩略词中的“神经”本来是历史的遗迹，但由于计算机和大数据的快速发展，自2012 年以来，神经网络深度学习再度兴起，体现在语音识别、图像中的对象识别、图像文字描述、机器翻译、围棋AI 等多个方面。这些研究是以视觉皮层（ConvNet）区域层次结构的神经架构为基础的。

虽然今年的NIPS门票秒光，但是还设置了Wait list，会议将在10月前、11 月底开放两批，具体数量未知，到时可以拼手速和人品，拟参会者需要留意。

NIPS投稿和录用论文数量也在激增，“双盲同行评议”遭炮轰

被誉为神经计算和机器学习最最顶级的会议，NIPS一直保有相对较低的录取率。去年的NIPS一共录取了678篇论文，录取率约为20.9%。相比之下，

CVPR 2017审稿2620篇，接收783篇，录取率29%

ICML 2017审稿1676篇论文，接收434篇，录取率为 25.89%

ACL 2017审稿1318篇，接收302篇，录取率22.91%

根据2006年到2017年的NIPS论文录取数量发现，曲线与参会人数“交相辉映”：

但是，录取率或许并不能说明什么问题。

NIPS 2014 做了一个实验，将投稿的10%（共166篇论文）同时交给两个不同的评审委员会评审，每个委员会由大会组委会的一半成员构成。结果评审令人吃惊：两个评审委员会对其中42篇论文（约25%）的评审意见相左。由于两个委员会都把论文录用率控制在22.5%左右，委员会一录用的21篇论文会被组委会二拒稿，而组委会二录用的22篇论文被组委会一拒稿。

也就是说，被其中一个评审委员会录用的论文，其中大约57%会被另一个评审委员会拒稿。这样，从理论上讲，如果重新审稿，NIPS2014年录用的一半以上的文章将被拒稿！

上述实验表明，当录用率很低时，质量居中的论文录用的随机性将大大提高。比如在上述例子中，约7.5%肯定被录用，50%以上的文章肯定被拒稿，其余中间47%左右的论文是否被录用则有很强的随机性。

这就是所谓“双盲同行评议”。

谷歌研究员、GAN的发明人Ian Goodfellow 之前发布推文炮轰这种办法：他怀疑，实际上正是同行评议造成了如今机器学习里的一些怪现象！

Goodfellow在推文中表示，作为频繁出任会议领域主席并且管理一支小型科研团队的研究者，他经常能看到很多人（包括他自己团队在内）工作的评审意见。

对于实证研究来说，最多的（拒稿）意见是没有“理论”，但评审人并没有针对某个特定问题去要理论，而是将其当做一种轻松的拒稿理由——Goodfellow 这样形容，“他们扫了一遍论文，没看到炫酷的公式”，好，拒掉吧，原因？写“缺乏理论”就好。

NIPS 2018初审结果出炉，哀声遍野：评审人不专业！

在Goodfellow的推文之前，NIPS2018的初审结果公布，社交网络上哀鸿遍野。大家主要对评审结果的抱怨，很大程度上就是 Goodfellow 指出的那些：没有数学公式、缺乏结果解释……

其中，最严重的问题，或许是评审人本身不专业，根本没有看懂论文！

中科院计算所一篇投稿 NIPS 2018 的论文，得分应该是4、5、6（4=reject，5=marginally below acceptance，6=marginal accept）。

其中，认为或可接受的那位评审，确实是看懂了论文，提出了很多有针对性的具体问题和意见。而其他两位评审，只给出了非常简略的反馈，其中一位的理由恰好就是“没有解释结果原因”。

计算所的博士生导师说：“很明显，那两名评审要么就是没有细看论文，要么就是对领域不熟。”

“我告诉学生，好好rebuttal，还是有希望的。”