AMiner 会议论文推荐第二十一期：同行选择、理解复杂机器学习、多模态数据等

IJCAI 2020 论文推荐：
论文名称：PeerNomination: Relaxing Exactness for Increased Accuracy in Peer Selection
在同行选择(peer selection) 中，代理(agents)必须选择自己的一个子集来获得一个奖项(award)或奖品(prize)。由于代理是自利的，作者希望设计出公正的算法，使单个代理不能影响自己被选中的机会。这个问题在资源分配和机制设计中有着广泛的应用，也在人工智能文献中受到了大量的关注。作者在这项研究中提出了一种新颖型的公正同伴选择(impartial peer selection)算法PeerNomination，并对其准确性进行了理论分析。该算法拥有各项理想的特征。值得一提的是，它不像以往研究中的算法那样需要对代理进行明确的分区。同时，作者通过实证表明，该算法在多个指标上实现了较现有算法更高的精度。
论文链接：https://www.aminer.cn/pub/5eabf34c91e011664ffd29ed/?conf=ijcai2020
会议链接：https://www.aminer.cn/conf/ijcai2020

NeurIPS 2020 论文推荐：
论文名称：Understanding Global Feature Contributions With Additive Importance Measures
理解复杂机器学习模型的内部运作是一个长期存在的问题，近期的研究主要集中在局部可解释性上。为了在全局意义上评估单个输入特征的作用，作者提出了一种无关模型的特征重要性度量方法Shapley Additive Global importancE（SAGE)），这种方法基于与每个特征相关的预测能力。SAGE通过新颖的加法重要性度量框架与之前的工作相关联，这一观点将众多其他特征重要性方法统一起来，并表明只有SAGE能正确地解释复杂的特征间相互作用。作者使用合作博弈论中的Shapley值来定义SAGE，从而实现了大量直观而理想的属性。同时，作者在实验中将SAGE应用于包括MNIST和乳腺癌亚型分类在内的8个数据集，并通过定量和定性的方法证明了该模型的优势。
论文链接：https://www.aminer.cn/pub/5e885d0791e011213a31bb17/?conf=neurips2020
会议链接：https://www.aminer.cn/conf/neurips2020

AAAI 2021 论文推荐：
论文名称：Noise Estimation Using Density Estimation for Self-Supervised Multimodal Learning
作者认为利用多模态数据是使机器学习模型能够理解和解决现实世界任务的关键因素之一。不幸的是，多模态数据的注释昂贵且具有挑战性。最近，有研究提出了结合视觉和语言的自监督多模态方法，用来学习无需注释的多模态表示。然而，这些方法选择忽略高水平噪声的存在，因此产生了次优的结果。作者表明在这项工作中，多模态数据的噪声估计问题可以简化为多模态密度估计任务。利用多模态密度估计，作者提出了一种用于多模态表示学习的噪声估计构件，该构件严格基于不同模态之间的内在相关性。同时，作者展示了该噪声估计方法如何广泛地集成，并将它应用于具有挑战性的多模态任务：视频问题回答(Video Question Answering)和文本视频检索(Text-To-Video Retrieval)。其中，在基于上述两类任务的五个不同的基准数据集上，该方法实现了与当前最先进的方法相当的表现。
论文链接：https://www.aminer.cn/pub/5e6614aa91e011683182496f/?conf=aaai2021
会议链接：https://www.aminer.cn/conf/aaai2021

订阅了解更多论文信息，定制您的个人科研动态信息流：https://www.aminer.cn/user/notification?f=mt