今天早晨，ICLR 2018的论文接受结果揭晓，我们就带大家来大致了解一下今年ICLR 2018的论文接受概况。
ICLR全称International Conference of Learning Representation，是由Lecun，Hinton和Bengio三位神经网络的元老联手发起的。近年来随着深度学习在工程实践中的成功，ICLR会议也在短短的几年中发展成为了神经网络的顶会。
论文接受率：
2.3%的口头展示，31.4%的poster接受，9%的workshop，51%拒绝。
ICLR口头展示论文速览：
ICLR口头论文中一大半的论文会成为ICLR Best paper，同时也代表了2018年的研究方向，下面我们就简单的介绍一下今年的oral论文，由于ICLR会议的论文范围较广，方向比较新，我们也不能够做到面面俱到。
Wasserstein Auto-Encoders （Max Planck Institute）
这篇论文提出了在Variation Auto-Encoder中使用Wasserstein距离进行度量，从而第一次让VAE能够产生跟Generative Adversarial Network比肩的效果。并且WAE在理论上面联系了VAE和GAN。是一篇不可多得理论与实践兼得的好论文。WAE产生的图像如下图：
我有几张阿里云幸运券分享给你，用券购买或者升级阿里云相应产品会有特惠惊喜哦！把想要买的产品的幸运券都领走吧！快下手，马上就要抢光了。
Spherical CNNs (阿姆斯特丹大学Max Welling组)
卷积神经网络只能够在2D planar图像中使用，但是近年来很多问题如机器人运动，自动驾驶需要对spherical image进行分析。传统的方法是将spherical image投影到2D planar图像，但是这个过程会产生distortion，如下图：
于是作者提出了spherical CNN。Spherical CNN通过傅立叶变换来避免过度的计算。通过傅立叶变换来实现spherical CNN的示意图如下：
相信本篇论文提出的spherical CNN能够在自动驾驶，机器人运动的任务中得到广泛的应用。