AMiner 会议论文推荐第八期

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

Learning large logic programs by going beyond entailment

归纳逻辑编程（ILP）的主要挑战是学习大型程序。作者认为，现有系统的主要局限性在于它们使用蕴含量（entailment）来指导假设搜索。这种方法是有限的，因为蕴含是一个二元决策：一个假设要么包含一个示例，要么不包含一个示例，并且没有中间位置。
为了解决这一局限性，我们不仅仅局限于此，而是使用example-dependent损失函数来指导搜索，在该假设中，假设可以部分覆盖示例。作者在新的ILP系统Brute中实现了这个想法，该系统使用依赖于示例的损失函数的最佳优先搜索来逐步构建程序。作者在三个不同的程序综合域（机器人计划、字符串转换和ASCII艺术）上进行的实验表明，就预测准确度和学习时间而言，Brute可以大大胜过现有的ILP系统，并且可以学习比最先进的系统大20倍的程序。

论文链接：https://www.aminer.cn/pub/5ea16b2b91e011fa08b8f8a2?conf=ijcai2020

NeurIPS 2020 论文推荐

Causal Intervention for Weakly-Supervised Semantic Segmentation

作者提出了一种因果推理框架来改善弱监督语义分割（WSSS）。具体来说，作者的目标是仅使用图像级标签来生成更好的像素级伪掩码，这是WSSS中最关键的一步。
作者将伪蒙版边界不明确的原因归因于混淆的上下文，例如，“马”和“人”的正确图像级别分类可能不仅是由于每个实例的识别，还可能是由于它们的共现上下文，使得模型检查（例如CAM）难以区分边界。受此启发，作者提出了一种结构上的因果模型来分析图像、上下文和类标签之间的因果关系。在此基础上，作者开发了一种新方法：上下文调整（CONTA），以消除图像级分类中的混杂偏差，从而为后续的分割模型提供更好的伪蒙版作为真实性。
在PASCAL VOC 2012和MS-COCO上，结果表明CONTA将各种流行的WSSS方法提升到了新的先进水平。

论文链接：https://www.aminer.cn/pub/5f75a27f91e0111c1eb4d2eb?conf=neurips2020

EMNLP 2020 论文推荐

Domain Knowledge Empowered Structured Neural Net for End-to-End Event Temporal Relation Extraction

提取事件时间关系是信息提取的关键任务，并且在自然语言理解中起着重要作用。现有系统利用深度学习和预先训练的语言模型来改善任务的性能。但是，这些系统通常具有两个缺点：1) 当基于神经模型执行最大的后验（MAP）推断时，以前的系统仅使用假定为绝对正确的结构化知识，即硬约束。 2) 在使用有限数量的数据进行训练时，对主要时间关系的预测有偏差。
为了解决这些问题，作者提出了一个框架，该框架可通过概率域知识构建的分布约束来增强深度神经网络。作者通过拉格朗日松弛法解决了约束推理问题，并将其应用于端到端事件时间关系提取任务。
实验结果表明，提出的框架能够在新闻和临床领域的两个广泛使用的数据集上改进基线神经网络模型，具有重要的统计意义。

论文链接：https://www.aminer.cn/pub/5f63297c91e011242e3f2ac1?conf=emnlp2020

想要查看更多精彩会议论文合集，请移步AMiner顶会