AMiner 会议论文推荐第十七期

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

Aggregating Crowd Wisdom with Side Information via a Clustering-based Label-aware Autoencoder

聚合群众的智慧可以从各种来源提供的多个嘈杂标签中推断出对象的真实标签。除来源标签外，还引入了诸如对象特征之类的辅助信息，以实现更高的推理精度。通常，采用从人群中学习的框架。但是，该框架孤立地考虑每个对象，没有充分利用对象特征来克服标签噪声。
在本文中，作者提出了一种基于聚类的标签感知自动编码器（CLA），以减轻标签噪声。 CLA利用聚类来收集具有相似特征的对象，并利用聚类来推断真实的标签，通过构建一个新颖的深度生成过程来同时从聚类中生成对象特征和源标签。在模型推理方面，CLA扩展了变分自动编码器的框架，并利用最大化后验（MAP）估计，防止了模型过拟合和琐碎解。实际任务的实验证明，与最新的聚合算法相比，CLA有显着的改善。

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27720a1?conf=ijcai2020
会议链接：https://www.aminer.cn/conf/ijcai2020

Fast and Accurate Neural CRF Constituency Parsing

估计概率分布是NLP领域的核心问题之一。但是，在深度学习（DL）和前DL时代，与线性链CRF在序列标注任务中的大量应用不同，很少有作品将树状结构CRF应用于选区解析，主要原因是内外算法的复杂性和低效率。
这项工作提出了一种快速、准确的神经CRF选区解析器。关键思想是通过在GPU上直接进行大张量运算来对用于损失计算的内部算法进行批处理，同时通过高效的反向传播避免外部算法进行梯度计算。作者还提出了一种简单的两阶段括号再标注的解析方法来进一步提高效率。为了提高解析性能，受依赖关系解析的最新进展的启发，作者引入了一种基于边界表示和biaffine注意的新评分架构，以及一种有益的放弃策略。
在PTB、CTB5.1和CTB7上进行的实验表明，作者的两级CRF解析器在w/o和w/BERT的设置上都达到了新的最先进的性能，并且每秒可以解析1000多个句子。

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27721d2?conf=ijcai2020
会议链接：https://www.aminer.cn/conf/ijcai2020/papers


Mucko: Multi-Layer Cross-Modal Knowledge Reasoning for Fact-based Visual Question Answering

基于事实的视觉答题（FVQA）需要借助可见内容之外的外部知识来回答有关图像的问题。这种功能具有挑战性，但对于实现常规的VQA必不可少。现有的FVQA解决方案的一个局限性是，它们无法精确选择共同嵌入的各种信息，从而为推断最终答案引入了意料之外的噪音。如何抓住问题导向和信息补充的证据仍然是解决这一问题的关键挑战。
在本文中，作者通过一个多模态异构图来描绘图像，它包含了视觉、语义和事实特征对应的多层信息。在多层图表示的基础上，作者提出了一种模态感知的异质图卷积网络，以捕获来自不同层的与给定问题最相关的证据。具体来说，模态内卷积从每个模态中选择证据，而跨模态卷积则聚合了不同图层的相关信息。通过多次叠加此过程，作者的模型可以跨三种模态进行迭代推理，并通过分析所有面向问题的证据来预测最优答案。
作者在FVQA任务上实现了新的最先进性能，并通过大量实验证明了该模型的有效性和可解释性。

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772043?conf=ijcai2020
会议链接：https://www.aminer.cn/conf/ijcai2020

NeurIPS 2020 论文推荐

Wasserstein Distances for Stereo Disparity Estimation

现有的深度或差距估计方法输出的是一组预先定义的离散值的分布。当真实深度或视差与这些值中的任何一个都不匹配时，这会导致结果不准确。事实上，这个分布通常是通过回归损失间接学习的，这导致了物体边界周围模糊区域的进一步问题。
作者使用一种新的神经网络架构来解决这些问题，该架构能够输出任意的深度值，并使用一种新的损失函数，该函数是从真实分布和预测分布之间的Wasserstein距离导出的。作者在各种任务上验证了它们的方法，包括立体视差和深度估计以及下游3D对象检测。作者的方法极大地降低了模糊区域的误差，尤其是物体边界周围的误差，这极大地影响了物体在3D中的定位，实现了自动驾驶中3D物体检测的最先进水平。

论文链接：https://www.aminer.cn/pub/5f05915e91e011c57e3e8c59?conf=neurips2020
会议链接：https://www.aminer.cn/conf/neurips2020




Improved guarantees and a multiple-descent curve for Column Subset Selection and the Nystrom method

列子集选择问题（CSSP）和Nystrom方法是机器学习和科学计算中构造大数据集、小低阶秩近似的主要工具之一。这个领域的一个基本问题是：大小为k的数据子集与最佳秩k近似的竞争程度如何？
作者开发了利用数据矩阵的光谱（spectra）特性的技术，以获得超出标准最差用例（worstcase）分析的改进近似保证。对于已知奇异值衰减率（如多项式或指数衰减）的数据集，作者的方法可以得到更好的边界（bound）。
作者的分析还揭示了一个有趣的现象：近似因子作为k的函数可能会出现多个峰和谷，这称之为多重下降曲线（multipledescent curve）。
作者建立的一个下限表明，这种行为不是他们分析的产物，而是CSSP和Nystrom任务的固有属性。
最后，以径向基函数（RBF）核为例，本文证明了只要改变RBF参数，作者的改进边界和多重下降曲线都可以在真实数据集上观察到。

论文链接：https://www.aminer.cn/pub/5f7fdd328de39f0828397eab?conf=neurips2020
会议链接：https://www.aminer.cn/conf/neurips2020




No-Regret Learning Dynamics for Extensive-Form Correlated Equilibrium

在多智能体系统理论中，有一个值得称赞的结果，即简单、不耦合的无遗憾（no-regret）动态在常规形式的博弈中收敛到相关的均衡中。具体地说，这个结果已经有20多年的历史了。当所有玩家都试图在重复的常规形式博弈中最大程度地减少其内部遗憾（internal regret ）时，博弈的经验频率会收敛至常规形式的相关平衡。广义形式的博弈（即树状形式的博弈）通过对顺序移动（sequential move）、同时移动（simultaneous move）以及私人信息进行建模来泛化常规形式的博弈。
由于博弈的顺序性质，以及部分信息的存在，广义形式的关联与常规形式的关联相比，具有显着不同的属性，其中许多仍然是开放的研究方向。广义形式的相关均衡（Extensive-form correlated equilibrium，EFCE）已被提议为常规形式的相关均衡的自然广义对应。但是，目前尚不知道EFCE是不是由于未耦合的智能体动态而产生的。
在本文中，作者给出了第一个解耦的无遗憾动态，该动态收敛到具有完美召回作用的n玩家一般和（general-sum）广泛形式博弈中的EFCE集。
首先，作者在广义形式的博弈中引入触发遗憾（trigger regret）的概念，从而扩展了在常规形式的博弈中内部遗憾的概念。当每个玩家的触发遗憾低时，经验的博弈频率接近EFCE。然后，作者给出了一种有效的无触发遗憾算法。作者的算法将触发遗憾在每个决策点分解为玩家的局部子问题，并根据每个决策点的局部解构造玩家的全局策略。

论文链接：https://www.aminer.cn/pub/5f7fdd328de39f0828397d9e?conf=neurips2020
会议链接：https://www.aminer.cn/conf/neurips2020

AAAI 2021 论文推荐

Uncovering Coordinated Networks on Social Media

协调活动被用来影响和操纵社交媒体平台及其用户，这是对网上信息自由交流的一个严峻挑战。
在本文中，作者引入了一个基于网络的通用框架，以发现可能协调的帐户群体。所提出的方法基于帐户之间共享的任意行为踪迹来构建协调网络。作者提出了五个案例研究，涉及美国大选、香港抗议活动、叙利亚内战和加密货币等不同背景下的影响力活动。在每一个案例中，作者通过检查他们的身份、图像、标签序列、转发和时间模式来检测协调的Twitter账户网络。
事实证明，所提出的框架可广泛应用于发现跨信息战场景的各种协调。

论文链接：https://www.aminer.cn/pub/5e2186c63a55acbef5e6a398?conf=aaai2021
会议链接：https://www.aminer.cn/conf/aaai2021





Network Inference from a Mixture of Diffusion Models for Fake News Mitigation

旨在欺骗人们，影响公众舆论和操纵社会成果的虚假新闻的传播已经成为社交媒体上的紧迫问题。此外，社交媒体上的信息共享促进了病毒信息级联的扩散。
在这项工作中，作者专注于理解和利用虚假和合法内容的传播动态，以促进网络干预来减少虚假新闻。作者分析包含假新闻和真实新闻级联的真实世界Twitter数据集，以了解关于假新闻和真实内容的传播动态和用户行为的差异。在分析的基础上，作者将扩散建模为社交网络图上参数为theta_T，theta_F的独立级联模型（MIC）的混合；并从观察到的，未标记的级联推导用于扩散混合物模型参数估计的无监督推理技术。利用推断的扩散动态识别出对真假内容传播有影响的用户。
识别出的有影响力用户的特征揭示了为假新闻而识别的有影响力的用户与其在假新闻级联中的相对出现率之间的正相关关系。识别出的有影响力的用户往往与病毒较多的信息级联的主题相关，而不是病毒较少的信息级联；与真实的新闻有影响力的用户相比，识别出的假新闻有影响力的用户的直接关注者数量相对较少。
对节点和边缘的干预分析证明了推断的扩散动态在支持网络干预缓解方面的能力。

论文推荐：https://www.aminer.cn/pub/5f32638791e011bc1612ae1d?conf=aaai2021
会议推荐：https://www.aminer.cn/conf/aaai2021





Exploring Common and Individual Characteristics of Students via Matrix Recovering

平衡集体教学和个别辅导是教育领域的一个重要问题。此问题的本质是探索多个学生共有的共同特征以及每个学生的个体特征。事实证明，基于学生特征的Biclustering方法可以成功地检测有意义的模式，从而推动群体指导。但是，这些方法忽略了学生的个人特征，因为他们只关注学生的共同特征。
在本文中，作者提出了一个框架，可以同时检测学生的群体特征和个人特征。作者假设学生的特征矩阵由两部分组成：一部分是代表学生共同特征的低阶矩阵；另一部分是代表学生个性特征的稀疏矩阵。
因此，作者将平衡问题视为一个矩阵恢复问题。实验结果表明了该方法的有效性。首先，它可以检测到与最新的biclutering算法相当的有意义的biclusters。其次，它可以同时识别每个学生的个人特征。

论文链接：https://www.aminer.cn/pub/5f969e5591e01156ea5b36c3?conf=aaai2021
会议链接：https://www.aminer.cn/conf/aaai2021