AMiner会议论文推荐第二十八期——IJCAI 2020杰出论文奖两篇

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

Synthesizing Aspect-Driven Recommendation Explanations from Reviews

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772182?conf=ijcai2020

推荐理由：本文获IJCAI 2020杰出论文奖。解释有助于使推荐变得有意义，从而增加了采用的可能性。然而，现有的解释性推荐的方法往往依赖于严格的标准化模板，这些模板只能通过填充空白aspect sentiments来定制。为了更灵活、更通俗、更多样化地解释interest的各个方面，本文通过从评论中选择片段来综合解释，同时优化其代表性和连贯性。为了适应目标用户的aspect偏好，本文基于一个兼容的可解释的推荐模型，将用户的观点进行上下文化。之后在多个产品类别的数据集上的实验表明，与基于模板、评论摘要、选择和文本生成的baseline相比，本文的方法是高效的。


A Multi-Objective Approach to Mitigate Negative Side Effects

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2771fd1?conf=ijcai2020

推荐理由：本文获IJCAI 2020杰出论文奖。在非结构化环境中运行的智能体通常会产生在设计时可能不容易识别的负面作用（NSE）。本文研究了在系统部署期间，如何使用各种形式的人类反馈或自主探索来学习与NSE相关的惩罚函数。本文将减少NSE影响的问题描述为一个多目标马尔科夫决策过程，该过程具有字典式奖励偏好和松弛性。松弛表示相对于智能体的主要目标允许的最优策略的最大偏差，以减轻作为次要目标的NSE。实验结果表明，本文提出的框架能够有效地缓解NSE影响，并且不同的反馈机制会引入不同的偏差，从而影响NSE的识别。

Unsupervised Scene Adaptation with Memory Regularization in vivo

论文链接：https://www.aminer.cn/pub/5e0333623a55aca24ec3edb8/?conf=ijcai2020

推荐理由：作者探索了从标记的源数据和未标记的目标数据中学习的无监督场景适应问题。现有的方法主要集中在减小源域和目标域之间的域间差距。然而，网络学习到的域内知识和固有的不确定性却未被充分挖掘。在本文中，作者提出了一种正交方法，称为体内记忆正则化（memory regularization in vivo），以利用域内知识和模型训练的正则化。具体来说，作者将分割模型本身称为记忆模块，并对两个分类器，即主分类器和辅助分类器的差异进行微调，以降低预测的不一致性。作者称，在不增加额外参数的情况下，该方法对现有的大多数领域适应方法是一种补充，可以普遍提高其性能。




Peer-Prediction in the Presence of Outcome Dependent Lying Incentives

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2771ff7/?conf=ijcai2020

推荐理由：作者推导了当收集到的数据的总统计影响到非受信任的理性代理的说谎动机量时，可以利用同行一致性（peer-consistency）机制从非受信任的理性代理那里获取真实数据的条件。此外，作者认为与理性结果相比，该机制可以实现的相对节约。该工作由分布式平台激励，其中分散的数据神谕（data oracle）根据参与者提供的汇总信息，以收集有关真实世界事件的信息。

AAAI 2021 论文推荐

DIBS: Diversity inducing Information Bottleneck in Model Ensembles

论文链接: https://www.aminer.cn/pub/5e68c5f591e0116bed04136e/s?conf=aaai2021

推荐理由：尽管深度学习模型已在一些视觉任务上取得了先进的性能，但在高维多模态数据上的泛化以及可靠的预测不确定性估计仍然是活跃的研究领域。由于很难训练以及在数据集转移下的泛化能力很差，包括贝叶斯神经网（Bayesian Neural Nets，简称BNNs）在内的贝叶斯方法并不能很好地扩展到现代计算机视觉任务中。在本文中，作者通过鼓励预测的多样性来生成有效的神经网络集合，有效地优化了学习随机潜变量的多样性诱导对抗损失，从而获得多模态数据建模所需的输出预测的多样性。作者在基准数据集上评估了该方法。其中，在MNIST，CIFAR100，TinyImageNet和MIT Places 2中，该方法较最有竞争力的基线在数据分布的转变和分布外检测中，分类精度有显著的提高。

Contrastive Transformation for Self-supervised Correspondence Learning

论文链接: https://www.aminer.cn/pub/5fd1fc6c91e011ffe17a21dd/?conf=aaai2021

推荐理由：在本文中，作者使用野外未标记的视频进行视觉对应关系的自监督学习。该方法同时考虑视频内和视频间的表示关联，以实现可靠的对应估计。其中，视频内学习经由帧对相似性在单个视频内的帧之间转换图像内容。为了获得实例级分离的判别式表示，作者超越了视频内分析，并构建了视频间关联性，以促进跨不同视频的对比转换。通过强制视频内和视频间级别之间的转换一致性，该方法可以很好地保留细粒度的对应关系，并有效地增强实例级别的特征辨别力。该框架在一系列视觉任务（包括视频对象跟踪（VOT），视频对象分割（VOS），姿势关键点跟踪等）上超过了最新的自我监督通信方法。





Data Augmentation for Graph Neural Networks

论文链接:https://www.aminer.cn/pub/5ee7495191e01198a507f7f2/?conf=aaai2021

推荐理由：数据增强广泛用于提高机器学习模型的通用性。然而，由于图复杂的非欧几里结构，目前研究图神经网络的数据增强工作相对较少，视觉和语言中常用的增强操作在图没有类似的操作。该工作是在改进半监督节点分类的背景下，研究图神经网络（GNNs）的图数据增强。作者讨论了图数据增强的实际和理论动机、考虑因素和策略。他们的工作表明，神经边缘预测器可以有效地编码类-同源结构（class-homophilic structure），以促进类内边缘和降级给定图结构中的类间边缘。作者主要介绍了GAug图数据增强框架，该框架通过边缘预测来提高基于GNN的节点分类的性能。在多个基准上进行的广泛实验表明，通过GAug进行的扩增可以提高GNN架构和数据集上的性能。





Object-Centric Image Generation from Layouts

论文链接: https://www.aminer.cn/pub/5e71f4b491e0115656f5d254/conf=aaai2021

推荐理由：尽管近期在单对象和单域图像生成方面成果出色，但多对象复杂场景的生成仍然具有挑战性。在本文中，作者的思想起点为：从一个模型必须能够理解单个对象和对象之间的关系，才能很好地生成复杂场景的想法。该工作提出以对象为中心的生成对抗网络(Object-Centric Generative Adversarial Network ，简称OC-GAN)，依赖于一个新颖的场景图相似性模块(Scene-Graph Similarity Module，简称SGSM)。SGSM学习了场景中物体之间的空间关系的表示，这使得该模型的布局保真度得到了改善。同时，作者还提出了对生成器的调节机制进行改变，以增强其对象实例感知能力。除了改善图像质量外，该研究还减缓了以往方法中的两种失败模式。

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