「斐波那契」投稿法不好使了:IJCAI 2020出台新规,隐瞒「拒稿重投」者将被一票否决...

点击上方“深度学习技术前沿”,选择“星标”公众号

资源干货,第一时间送达

投稿被拒是一件非常令人沮丧的事情,但过来人一般会这样劝你:「没关系,改改再投其他家就好了。」这种「斐波那契」投稿法可谓风靡学界。

但 IJCAI 今年的投稿规定似乎给拒稿重投增加了不小的难度,要求投稿者必须声明这是被拒过的论文,而且要有实质性改进,隐瞒「拒稿重投」者将面临直接被拒的风险。

拒稿重投,发现 IJCAI 变了

「我们在 AAAI2020 的投稿被拒了,3 个评审者中的一个给了拒绝。我们觉得这篇论文被拒是因为那位审稿人没有花时间好好读论文。于是,我们决定将这篇论文投给 IJCAI,但阅读投稿须知的时候我们才发现,今年的规定发生了很大变化……」

这段叙述来自一位用户名为 schludy 的网友,他在转投 IJCAI 的时候发现,IJCAI 对于拒稿重投的规定变严了。

那么具体有什么变化呢?我们先来看一下 2019 年的规定。

在 IJCAI 的「Call for Papers」板块,我们发现了 IJCAI 关于 AAAI 2019 拒稿重投的规定。

文件规定:被 AAAI-19 拒绝的论文在经实质性修改之后可以提交给 IJCAI-19。提交的论文可以(can)附上以下文件:一份说明信(说明修改版如何解决 AAAI-19 评审者给出的评审意见)、一份 AAAI-2019 版本的论文以及一份完整的 AAAI-19 评审意见。这些材料将作为补充材料提交。说明信将作为 IJCAI-19 评审流程中的参考意见。

而到了 IJCAI 2020,我们发现投稿规定的措辞和内容发生了一些变化。新的文件规定:被 AAAI 2020、ECAI 2020、AAMAS 2020、ICCV 2020 或 ICAPS 2020 拒绝的论文在经过实质性改进之后可以重新提交给 IJCAI-PRICAI 2020,但作者必须(must)声明这是拒稿重投,而且要附上说明信。说明信要解释被拒的主要原因以及作者针对评审意见所做的改进。说明信要连同之前的评审意见和被拒的稿件一起提交。

更重要的是,如果作者不事先声明这是拒稿重投,论文可能面临直接被拒的风险。

与 IJCAI 2019 相比,我们发现今年的投稿规定更严了。如果要拒稿重投就必须事先声明,还要指出做了哪些重大修改,这正是上文中的 reddit 网友所面临的问题。

ta 表示,他们没有对论文中的方法做出任何修改,只是改进了解释并在结果中加了个小小的表格。审稿人会看到之前的评审意见吗?论文会不会分到之前的审稿人手里?为什么 IJCAI-2019 不在新规的列表里?投稿要再等一年吗?这些都是 ta 心里的疑问。

有人理解为:

「这样规定的意思不是让人再等一年,而是确保重新提交的论文内容已经根据之前的评审意见认真修改过了。」

还有人说:「没错,大会之间经常合作互通来检查提交的论文。所以审稿人可能会看到这篇文章之前的评审意见,如果没提供,可能直接就被拒了……」

「至于是否会前后两次分配给同一个审稿人,根据随机性来说应该概率不大。这次规定的变化仅仅是为了保证那些被拒绝的论文不会毫无变化地又重新提交一次。」

投稿规定越来越严的顶会

2016 年以来,深度学习发展迅猛,诸多顶会仿佛都陷入了一种困境:投稿量增加→审稿工作量激增→审稿人手不足→评审质量下降。每次放榜,审稿人都难逃被吐槽的命运,顶会也被吐槽越来越水。

如果我们关注近两年来顶会的动态,看到最多的就是「投稿量激增」和「审稿质量下降」这两个话题。

ICLR 2020 审稿结果放出后,有开发者给出了一个统计结果:「本次大会近半数审稿人没有在相关领域发过论文。」投稿者觉得自己「浪费感情」,审稿人又觉得「我太难了」。

类似的事情还有 CVPR 2020。

2019 年 11 月,CVPR 2020 投稿截止时,投稿论文 ID 数量已破万。

有人通过回归模型来预测 CVPR 的论文投稿量走势,从目前的爆炸式增长趋势来看,到了 2022 年,CVPR 的投稿量可能要破 3 万……

最终都指向一个结果,顶会看起来不再像是顶会。或许正是由于此类原因,一些会议在学术圈的口碑正在慢慢下滑。

比如在最新版的《清华大学计算机学科推荐学术会议和期刊列表》中,IJCAI 已经从人工智能与模式识别方向 A 类学术会议「降级」到 B 类的学术会议。

清华大学新版 AI 顶会中的 17 个 B 类会议,其中就有从 A 类降级为 B 类的 IJCAI。

为了从根本上解决问题,各大顶会纷纷采取措施,通过各种方法降低审稿人负担,包括限制每个人的投稿数、禁止一稿多投、提高拒稿重投门槛等。

限制每个人的投稿数

限制投稿数在 IJCAI 大会中表现得最为明显。今年的新规表明,每位作者的投稿数不能超过 6 篇,而去年的规定是不超过 10 篇。

除了 IJCAI,其他大会也对投稿数进行了限制,如 AAAI 2020 规定每位作者最多提交 15 篇论文。

但这一做法未必奏效,根据 NeurIPS 的实验,如果将投稿量上限设置为 15 篇,只能减少不到 100 份投稿。对于一个投稿量数千的大会来说,这点贡献可谓杯水车薪。

禁止「一稿多投」

禁止「一稿多投」也是大会为了控制投稿量采取的一项措施。近几年,NeurIPS、ICLM 都发布了禁止一稿多投的规定。

去年 7 月,在 NeurIPS 2019 的论文评审结果放出之时,大会官方就发布了公告,称 19 篇论文因「一稿多投」而被拒之门外。

为了减少一稿多投的现象,NeurIPS 2019 宣布与其他人工智能学术会议合作,合作会议与 NeurIPS 存在主题领域和评审时间上的交叉。

此外,大会主席希望避免论文作者利用系统漏洞的企图,通过一稿多投来增加被接收的机会。虽然从几千篇论文分拣出那些一稿多投的论文,确实会增加许多额外的工作量。但为了保证大会内容的原创性和新颖性,这项举措很有必要。

除了上述措施之外,NeurIPS 还在去年的大会中测试了其他几种减少审稿人负担的方法,如审稿之前,先让领域主席筛选掉最差的一批论文;只审吸引审稿人注意力的论文等,但两种做法也都存在一些问题:前者删选出的论文数量非常有限,后者容易忽略一些有价值的论文。

目前,各大顶会还在探索控制投稿量的新方法,这对于保持顶会权威性、防止顶会崩塌有着非常重要的意义。但对于面临发论文压力的各位来说,发顶会论文也是越来越难了。

参考链接:

https://www.reddit.com/r/MachineLearning/comments/eme7u3/d_ijcai_2020_changes_in_rules_for_resubmissions/

https://www.ijcai19.org/call-for-papers.html

https://www.ijcai20.org/call-for-papers.html

更多人工智能领域前沿资讯,请关注我们的公众号,第一时间为您送达!!!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
斐波那契是一种优化的搜索算,可以在一定程度上提高搜索效率。该算的基本思想是通过一系列斐波那契数列中的数值来确定搜索区间,直到搜索区间的长度满足要求为止。 具体来说,斐波那契的步骤如下: 1. 计算斐波那契数列中第 n 个数值 Fn,使得 Fn > (b-a)/L,其中 a 和 b 分别表示搜索区间的左右端点,L 表示最终要求的区间长度。 2. 将搜索区间划分为两个子区间,长度比为 Fn-1 : Fn-2。即将 a 的位置设为 c1 = b - (Fn-2 / Fn) * (b - a),将 b 的位置设为 c2 = a + (Fn-2 / Fn) * (b - a)。 3. 计算 f(c1) 和 f(c2) 的函数值,如果 f(c1) < f(c2),则更新搜索区间为 [a, c2],否则更新搜索区间为 [c1, b]。 4. 重复执行步骤 1~3,直到搜索区间的长度满足要求。 根据上述步骤,可以用斐波那契求解本题。具体实现可以参考以下代码: ```python import math # 定义目标函数 def f(x): return math.exp(-x) + x**2 # 计算斐波那契数列中第 n 个数值 def fibonacci(n): if n == 0: return 0 elif n == 1: return 1 else: return fibonacci(n-1) + fibonacci(n-2) # 斐波那契求解最小值 def fibonacci_search(a, b, L): n = 0 while fibonacci(n) <= (b-a)/L: n += 1 Fn = fibonacci(n) Fn_1 = fibonacci(n-1) c1 = b - (Fn_1 / Fn) * (b - a) c2 = a + (Fn_1 / Fn) * (b - a) fc1 = f(c1) fc2 = f(c2) while abs(b - a) > L: if fc1 < fc2: b = c2 c2 = c1 fc2 = fc1 c1 = b - (Fn_1 / Fn) * (b - a) fc1 = f(c1) else: a = c1 c1 = c2 fc1 = fc2 c2 = a + (Fn_1 / Fn) * (b - a) fc2 = f(c2) Fn -= Fn_1 Fn_1 = Fn - Fn_1 return (a + b) / 2 # 测试代码 if __name__ == '__main__': a = 0 b = 1 L = 0.2 x = fibonacci_search(a, b, L) print('x =', x) print('min =', f(x)) ``` 在上述代码中,我们定义了目标函数 f(x),并使用斐波那契求解了该函数在区间 [0,1] 上的最小值。运行代码后,可以得到如下结果: ``` x = 0.703125 min = 0.5005246309395114 ``` 其中,x 表示最小值所在的位置,min 表示最小值的大小。可以看出,使用斐波那契可以得到较为准确的结果,并且搜索区间长度符合要求。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值