AMiner会议论文推荐第五十一期

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。

ICLR 2021 论文推荐

Evaluations and Methods for Explanation through Robustness Analysis（通过稳健性分析进行评价和解释的方法）

论文链接：https://www.aminer.cn/pub/5ed623da91e01198019afacb/conf=iclr2021

推荐理由： 在解释机器学习模型的多种方法中，衡量一组特征与预测联系的重要性是最直观的方法之一。在本文中，作者用一种新的评价标准分析建立了一组特征与预测之间的联系，该标准衡量了对抗性扰动的最小失真距离。通过测量对抗性攻击的容忍度，该工作提取出一组特征，为预测提供最稳健的支持，同时能够通过设置有针对性的对抗性攻击，提取出一组特征，将当前预测与目标类进行对比。通过将这一方法应用到多个领域的各种预测任务中，作者观察到其解释确实在定性和定量上抓住了重要的特征集。

Shape-Texture Debiased Neural Network Training（形状-纹理去偏神经网络训练）

论文链接：https://www.aminer.cn/pub/5f86c17591e011dbc7eba1d2/?conf=iclr2021

推荐理由： 形状和质地是识别物体的两个突出且互补的线索。然而，卷积神经网络往往偏向于纹理或形状，该偏差会降低模型的性能。在这一观察的激励下，作者开发了一种简单的形状-纹理去偏学习算法。为了防止模型在表征学习中只参加单一线索，该工作用具有冲突的形状和纹理信息的图像（例如，黑猩猩形状的图像，但具有柠檬纹理）来增强训练数据，同时从形状和纹理提供相应的监督。实验表明，上述方法成功地提高了模型在多个图像识别基准上的性能和对抗性鲁棒性。

Learning with AMIGo: Adversarially Motivated Intrinsic Goals（用AMIGo学习：对抗性动机的内在目标）

论文链接：https://www.aminer.cn/pub/5ef3247a91e0110c353da7e9/?conf=iclr2021

推荐理由： 强化学习（reinforcement learning，RL）的一个关键挑战是在外在奖励稀少的环境中学习。与当前的RL方法相比，人类能够通过使用各种形式的内在动机来学习很少或没有奖励的新技能。作者提出了AMIGo，一个结合了目标生成教师的新型代理，它提出了对抗性动机的内在目标，以在没有（或旁边）环境奖励的情况下训练一个目标条件的 "学生 "政策。具体来说，通过一个简单而有效的 "建设性对抗 "目标，教师学会提出越来越具有挑战性、但又可实现的目标，让学生学习在新环境中行动的一般技能。该工作表明，该方法产生了一个自然的自我建议目标课程，帮助代理解决具有挑战性的程序生成的任务。

AMiner，一个具有认知智能的学术搜索引擎：https://www.aminer.cn/

#AMiner# #论文#