AMiner会议论文推荐第八十一期

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

Long-tailed Recognition by Routing Diverse Distribution-Aware Experts（通过路由多样的分布感知专家进行长尾识别）

论文链接：https://www.aminer.cn/pub/5f7c4a7c91e0117ac2a78aca/?conf=iclr2021

推荐理由： 自然数据往往长尾分布在语义类别上，现有的识别方法倾向于关注尾部性能的提高，而以分类器方差增加带来的头部性能损失为代价。低尾部性能一般表现为较大的类间混淆和高分类器方差。作者的目标是通过RoutIng Diverse Experts（RIDE）来减少长尾分类器的偏差和方差，它由三个组成部分：1）一个用于多个分类器（专家）的共享架构；2）一个分布感知的多样性损失，鼓励对训练实例较少的类做出更多的决定；3）一个专家路由模块，动态地将更多的模糊实例分配给更多专家。作者表明RIDE是一个通用框架，能够应用于不同的骨干网络，并整合到各种长尾算法和训练机制中，以获得一致的性能提升。

On Statistical Bias In Active Learning: How and When to Fix It（关于主动学习中的统计偏差:如何以及何时修复它）

论文链接：https://www.aminer.cn/pub/600830b19e795ed227f5306c/?conf=iclr2021

推荐理由： 当标记数据的成本很高时，主动学习是一个强大的工具，但它同时也引入了一个偏见，即训练数据不再遵循群体分布。作者将这种偏差形式化，研究了它在不同情况下的特点，并进一步介绍了新的纠正权重，以便在有益时消除偏见。通过上述方法，该工作不仅提供了一个可以改善主动学习方法的有效机制，而且还解释了忽略这种偏见的现有方法在经验上的成功之处。作者表明，当训练过度参数化的模型，如神经网络，有相对适度的数据集规模时，这种偏差会有积极的帮助作用。

Genetic Soft Updates for Policy Evolution in Deep Reinforcement Learning（稀疏量化频谱聚类法）

论文链接：https://www.aminer.cn/pub/600831829e795ed227f530bb/?conf=iclr2021

推荐理由： 近期研究提出将进化算法（Evolutionary Algorithms，EA）和深度强化学习（Deep Reinforcement Learning，DRL）结合起来，以合并两种解决方案的优点。然而，现有的混合方法仅成功应用于行为批评方法中，并呈现出显著的开销。作者通过引入一个新的混合框架来解决这些问题，该框架利用周期性遗传评估来软更新DRL代理的权重。基于此的方法适用于任何DRL方法，在最坏的情况下不会表现出有害的行为。在机器人应用和连续控制基准实验中表明，上述方法具有多功能性，明显优于先前的DRL、EA和混合方法。最后，作者采用正式的验证来确认策略的改进，缓解了DRL的低效探索和超参数敏感性。

AMiner，AI赋能的学术搜索平台：https://www.aminer.cn/

#AMiner# #论文#