AMiner会议周刊第3期丨IJCAI2021、ACL2021截稿倒计时开启

AMiner学术搜索和科技情报挖掘

于 2021-01-19 00:38:57 发布

阅读量465

点赞数

分类专栏： AMiner会议 AMiner AMiner会议论文推荐

本文链接：https://blog.csdn.net/AI_Conf/article/details/112797992

版权

AMiner 同时被 3 个专栏收录

729 篇文章 46 订阅

订阅专栏

AMiner会议论文推荐

240 篇文章 18 订阅

订阅专栏

AMiner会议

129 篇文章 7 订阅

订阅专栏

AMiner会议周刊旨在帮助大家了解人工智能领域的学术会议最新动态。

近期会议日程提醒

论文截稿时间（东八区时间）:

IJCAI2021 :2021年1月21日 19:59:59

ACL2021 :2021年2月2日 19:59:59

ICML2021:2021年2月4日 19:59:59

即将开始的会议:

AAAI 2021:2021年2月2日-9日

会议论文推荐

1.论文名称：Contrastive Transformation for Self-supervised Correspondence Learning

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

所属会议：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。

2.论文名称：Reinforced Multi-Teacher Selection for Knowledge Distillation

论文链接：https://www.aminer.cn/pub/5fd7354291e011efa3cf5dde/?conf=aaai2021

所属会议：AAAI2021

推荐理由：

在自然语言处理(NLP)任务中，推理速度慢、GPU使用量巨大仍然是生产中应用预训练深度模型的瓶颈。作为一种流行的模型压缩方法，知识提炼（knowledge distillation）将知识从一个或多个大型（教师）模型转移到一个小型（学生）模型中。当提炼中有多个教师模型时，当前最先进的方法会在整个提炼中给教师模型分配一个固定的权重。此外，现有的大多数方法都给每个教师模型分配了相等的权重。在本文中，作者观察到，由于训练实例的复杂性和学生模型能力的差异，对教师模型进行差异化学习可以使学生模型提炼的性能更好。因此，作者系统地开发了一种强化方法，针对不同的训练实例动态地给教师模型分配权重，以优化学生模型的性能。

3.论文名称:The Evolution of the Manosphere Across the Web

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

所属会议: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。

4.论文名称：When Do GNNs Work: Understanding and Improving Neighborhood Aggregation

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772099/?conf=ijcai2020

所属会议:IJCAI2020

推荐理由：

图神经网络（Graph Neural Networks，简称GNNs）在广泛的图相关任务有着强大的能力。虽然存在各种GNN模型，但一个关键的共同成分是邻域聚合，其中每个节点的嵌入是通过参考其邻居的嵌入来更新的。本文旨在通过提出以下问题来更好地理解这种机制。即邻区聚合是否总是必要和有益的？答案是否定的。作者刻画了两种邻区聚合无益的情况：(1)当一个节点的邻居高度不相似时；(2)当一个节点的嵌入与其邻居的嵌入已经相似时。同时作者提出了新的度量方法，对这两种情况进行量化衡量，并将其整合到自适应层模块中。实验表明，允许特定节点的聚合度比目前的GNN有显著优势。

5.论文名称：Scaling Up AND/OR Abstraction Sampling

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef277221d/?conf=ijcai2020

所属会议：IJCAI2020

推荐理由：

抽象采样(Abstraction Sampling，简称AS)是Importance Sampling的一种改进，它通过抽象概念来探索分层，将相似的节点分组为抽象状态。之前的研究表明，AS在AND/OR搜索空间上采样时表现良好；然而，现有的方案为保证无偏性，仅限于 "适当的 "抽象，以至于严重阻碍了扩展性。在本文中，作者介绍了一种新颖的AND/OR搜索空间上的抽象采样方案AOAS，该方法通过规避适当性要求，以更灵活地使用抽象。作者为分析了这种新算法的特性，在五个基准上进行了广泛的实证评估，表明它能够提供一个更强大和更有竞争力的抽象采样框架。