AMiner会议论文推荐第二十六期

AMiner学术搜索和科技情报挖掘

于 2021-01-06 21:59:59 发布

阅读量262

点赞数

分类专栏： AMiner会议论文推荐

本文链接：https://blog.csdn.net/AI_Conf/article/details/112202704

版权

AMiner会议论文推荐专栏收录该内容

240 篇文章 18 订阅

订阅专栏

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

Towards Fully 8-bit Integer Inference for the Transformer Model

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27721f7/?conf=ijcai2020

推荐理由：8位整数推理作为降低深度神经网络的延迟和存储的一个有前景的方向，最近取得了很大的进展。以往的系统在复杂模型中的某些函数仍然依赖于32位浮点（例如Transformer中的Softmax），并且大量使用量化和去量化。在这项工作中，作者表明，在对Transformer架构进行原则性修改后，被称为Integer Transformer，可以推导出一个（几乎）完全8位的整数推理算法Scale Propagation。在必要的时候采用去量化，能够使得网络效率更高。·作者在WMT16 En<->Ro、WMT14 En<->De和En->Fr翻译任务以及WikiText-103语言建模任务上的实验表明，全8位Transformer系统实现了与浮点基线相当的性能，但需要的内存占用却减少了近4倍。

在这里插入图片描述

Neural Entity Summarization with Joint Encoding and Weak Supervision

论文链接：https://www.aminer.cn/pub/5eafe7e091e01198d39865a6/?conf=ijcai2020

推荐理由：在一个大规模的知识图（ knowledge graph ，简称KG）中，一个实体通常由大量的三重结构（triple-strutured）事实来描述。许多应用需要实体描述的简略版本，称为实体摘要。现有的实体摘要解决方案主要是无监督的。在本文中，作者提出了一种有监督的方法NEST，它基于新型神经网络模型来联合编码KG中的图结构和文本，以生成高质量的多样化摘要。由于获取人工标注摘要进行训练的成本很高，所以作者设置的监督很弱。同时，作者用程序标注的数据进行训练，这些数据可能包含噪声，但不含人为工作。评估结果显示，该研究在两个公共基准上显著优于当前最先进的方法。

在这里插入图片描述

MergeNAS: Merge Operations into One for Differentiable Architecture Search

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef277214b/?conf=ijcai2020

推荐理由：差异化架构搜索(differentiable architecture search，简称DARTS)因其数学形式和具竞争力的结果，一直是一种很有前途的一次性架构搜索方法。然而，除了其造成的内存占用率高、计算量大之外，DARTS还经常存在明显的过拟合问题。在本文中，作者提出了一种一次性神经架构搜索方法，称为MergeNAS，该方法将不同类型的操作（如卷积运算）合并为一个操作。这种基于合并的方法不仅降低了搜索成本（大约半个GPU日），而且通过减少冗余参数来缓解过拟合。作者在不同的搜索空间和各种数据集上进行了大量的实验，表明MergeNAS可以收敛到一个稳定的架构，并以更少的参数和搜索成本获得更好的性能。在测试精度及其稳定性方面，MergeNAS优于所有在NAS-Bench-201上实现的NAS基线方法，包括DARTS、ENAS、RS、BOHB、GDAS和手工实现的ResNet。

在这里插入图片描述

AAAI 2021 论文推荐

Learning to Sit: Synthesizing Human-Chair Interactions via Hierarchical Control

论文链接: https://www.aminer.cn/pub/5d5e6b943a55acfce79a14ed/?conf=aaai2021

推荐理由：最近在基于物理学的角色动画方面的进展显示，利用深度强化学习对运动捕捉数据进行模仿，在人体运动合成方面取得了令人振奋的突破。然而，由于人与物体的空间配置不同，这些成果大多是在模仿单一的运动模式上取得的，并没有推广到需要灵活运动模式的交互式任务上。在本文中，作者专注于一类交互式任务–坐在椅子上。作者提出了一个分层强化学习框架，该框架依赖于一系列经过训练的子任务控制器来模仿简单的、可重复的mocap动作，以及一个经过训练的元控制器来正确执行子任务以完成主任务。作者通过实验证明了其方法在不同的单层和分层基线上具有的优势。同时，作者表明其方法可以应用于给定图像输入的运动预测。

在这里插入图片描述

CompFeat: Comprehensive Feature Aggregation for Video Instance Segmentation

论文链接: https://www.aminer.cn/pub/5fcf60b191e011f4c80bada5/?conf=aaai2021

推荐理由：视频实例分割是一项复杂的任务，需要对任何给定视频中的每个对象进行检测、分割和跟踪。以往的方法只利用单帧特征来检测、分割和跟踪对象，然而由于一些的挑战，例如运动模糊和运动时急剧的外观变化，这些方法在视频场景中受到影响。为了消除仅利用单帧特征而导致的模糊性，作者提出了一种新型的综合特征聚合方法(a novel comprehensive feature aggregation approach，简称CompFeat)，通过时间和空间上下文信息来完善帧级和对象级的特征。聚合过程中精心设计了一种新的注意力机制，显著提高了对所学特征的分辨能力。作者通过对特征相似性和空间相似性的整合，进而利用连体设计进一步提高模型的跟踪能力。同时，作者在YouTube-VIS数据集上进行的实验验证了所提出的CompFeat的有效性。

在这里插入图片描述

Dialog Policy Learning for Joint Clarification and Active Learning Queries

论文链接: https://www.aminer.cn/pub/5ee3526a91e011cb3bff7258/?conf=aaai2021

推荐理由：智能系统需要能够从错误中恢复，解决不确定性，并适应训练中未见的新概念。对话交互可以通过使用澄清（clarifications）来纠正和解决不确定性，以及主动学习查询来学习操作过程中遇到的新概念。之前关于对话系统的工作要么只关注于学习如何进行澄清/信息搜索，要么就是进行主动学习。在这项工作中，作者训练了一个分层对话策略，在一个基于语言的在线购物应用的交互式图像检索任务中共同执行澄清和主动学习，并证明共同学习澄清和主动学习的对话策略比使用静态对话策略来实现其中一个或两个功能更有效。

在这里插入图片描述

Attributes-Guided and Pure-Visual Attention Alignment for Few-Shot Recognition

论文链接: https://www.aminer.cn/pub/5f5ca65391e0115b33151eca/?conf=aaai2021

推荐理由：少数镜头识别的目的是用每一类中有限数量的标记示例来识别目标类别。为了鼓励从补充视图中学习，最近的方法在有效的度量学习框架中引入了辅助语义模态（auxiliary semantic modalities），旨在学习训练样本（支持集）和测试样本（查询集）之间的特征相似性。然而，这些方法只是用可用的语义增强了样本的表示，而忽略了查询集，这就失去了改进的潜力，可能会导致模态组合和纯视觉表示之间的转变。在本文中，作者设计了一个属性引导的注意力模块（attributes-guided attention module，简称AGAM）来利用人类注释的属性，并学习更多的判别特征。这个即插即用的模块可以让视觉内容和相应的属性共同关注重要的通道和区域进行支持集。而对于只有视觉信息而没有属性的查询集，也能实现特征选择。因此，这两个集合的表示方式都得到了精细化的改进。此外，作者还提出了一种注意力对齐机制，对于没有属性的样本，从属性的引导中提炼出纯视觉分支的知识。广泛的实验和分析表明，作者提出的模块可以显著改善基于度量的简单方法，在不同的数据集和设置上达到最先进的性能。

在这里插入图片描述

Mean-Variance Policy Iteration for Risk-Averse Reinforcement Learning

论文链接: https://www.aminer.cn/pub/5f0294679e795ef543be07e7/?conf=aaai2021

推荐理由：作者提出了一个平均方差政策迭代（mean-variance policy iteration，简称MVPI）框架，用于每步奖励随机变量的方差的无限区间MDP优化中的风险规避控制。MVPI具有很大的灵活性，任何政策评价方法和风险中性控制方法都可以在现成的政策和非政策环境下被用于风险规避控制。这种灵活性缩短了风险中性控制和风险规避控制之间的差距，能够通过直接在新型增强型MDP上工作来实现。作者提出以风险规避型TD3作为实例来实现MVPI，在风险感知性能指标下，该方法在具有挑战性的Mujoco机器人仿真任务中的表现优于vanilla TD3和之前的许多风险规避型控制方法。
在这里插入图片描述

The Evolution of the Manosphere Across the Web

论文链接: https://www.aminer.cn/pub/5fc99ebe9e795e122ad26d4f/?conf=aaai2021

推荐理由：作者对Manosphere进行了大规模的描述，Manosphere是一个以 "男性问题 "为焦点的网络厌女运动团体，该团体网上蓬勃发展。通过分析来自6个论坛和51个subreddits的28.8M个帖子，作者全面描绘了Manosphere在网络上的演变过程，展示了不同社区之间多年来的联系。作者发现，如 "Pick Up Artists "和 "Men’s Rights Activist"等比较温和的旧社区，正在让位于如 "Incels "和 "Men Going Their Own Way"等更极端的社区，其中的活跃用户大量迁移。此外，作者的分析表明，这些较新的社区比较老的社区言论更毒性和厌女。
在这里插入图片描述