AMiner 会议论文推荐第七期

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

IJCAI 2020 论文推荐

An Algorithm for Multi-Attribute Diverse Matching

双向b匹配（Bipartite b-matching），即市场一侧的代理商与另一侧的一个或多个代理商或项目匹配，这是一种用于多种应用领域的经典模型，例如医疗保健、广告、教育和一般资源分配。传统上，此类模型的主要目标是在某些约束下最大化组成匹配的线性函数（例如，线性社会福利最大化）。最近的工作研究了平衡整体匹配多样性和经济效率的新目标，该目标反而是匹配上的单调子模函数。此问题的基本版本可以在多项式时间内解决。
在这项工作中，作者证明了同时实现多个特征（例如国籍，性别，技能）最大化多样性的问题是NP难题。为了解决这个问题，作者开发了第一个组合算法，该算法在伪多项式时间内构造了可证明的最优多样性b匹配。作者还提供了针对同一问题的混合整数二次型公式，并证明了该方法可确保最优解，并且在审稿人分配应用中需要更少的计算时间。

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2771fd5?conf=ijcai2020

NeurIPS 2020 论文推荐

Do Adversarially Robust ImageNet Models Transfer Better?

迁移学习是深度学习中广泛使用的范例，其中在标准数据集上预先训练的模型可以有效地适应下游任务。通常，更好的预训练模型会产生更好的迁移结果，这表明初始准确性是迁移学习性能的关键方面。
在这项工作中，作者确定了另一个方面：发现对抗性鲁棒模型虽然准确性较低，但在用于迁移学习时通常比其标准训练的模型表现更好。具体来说，作者专注于对抗性强的ImageNet分类器，并表明它们在标准的下游分类任务套件中具有更高的准确性。进一步的分析发现，在迁移学习的情况下，健壮模型和标准模型之间存在更多差异。作者的结果与最近的假设相符（事实上，也是对最近的假设的补充），表明健壮性可以改善特征表示。

论文链接：https://www.aminer.cn/pub/5f117d4b91e011264d44779d?conf=neurips2020

EMNLP 2020 论文推荐

BLEU might be Guilty but References are not Innocent

机器翻译自动度量的质量已受到越来越多的质疑，尤其是对于高质量系统。本文证明，尽管指标的选择很重要，但参考文献的性质也很关键。作者研究了各种方法来收集参考，并通过报告与各种系统和指标的人工评估的相关性来比较参考并在自动评估中比较它们的价值。由于发现典型参考文献的多样性很差，主要集中在翻译语言上，因此作者为语言学家开发了一个解说任务，以使他们能够在现有的参考译文上进行解说，从而抵消这种偏见。作者的方法不仅对WMT 2019英译德的提交物产生了更高的与人类判断的相关性，而且对反向翻译和APE增强的MT输出也产生了更高的相关性，而这些输出已被证明与使用标准参考文献的自动指标具有低相关性。
作者证明了其方法论改善了所关注研究的所有现代评估指标（包括基于嵌入的方法）的相关性。为了完善此结果，作者揭示了多参考BLEU不能改善高质量输出的相关性，并提出了一种更有效的可替代多参考公式。

论文链接：https://www.aminer.cn/pub/5ecb7ef99e795ec6f2c0af3d?conf=emnlp2020

想要查看更多精彩会议论文合集，请移步AMiner顶会