AAAI 2021全部大奖出炉！华人霸屏！北航、华科校友获最佳论文，华南理工获杰出论文

AAAI 2021在万众期待中终于开幕啦！最佳论文、杰出论文等大奖也全部陆续出炉，华人担任主席，12篇获奖论文华人占据5席，今年的AAAI可谓是被华人力量霸屏了！

本届大会在最佳论文奖的设置上相比往年有重大变化：今年有三篇论文被授予最佳论文奖（以及三篇最佳论文亚军奖）、一共有六篇论文被授予杰出论文奖。

令人称赞的是在三篇最佳论文当中有两篇都是华人作者团队，获奖论文《Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting》一作是北京航空航天大学计算机科学与工程学院Haoyi Zhou，获奖论文《Mitigating Political Bias in Language Models Through Reinforced Calibration》 一作是达特茅斯学院计算机科学系博士生Ruibo Liu，本科毕业于华中科技大学电气与电子工程学院。

另外一篇杰出论文获奖论文《Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation》的一作是深圳市计算机视觉与模式识别重点实验室、华南理工大学Hongbin Xu。 

此外，在三篇Runner-Up论文中，也同样有两篇由华人学者获得，其中一篇来自北航、微软研究院的合作团队，另一篇来自哈佛大学、卡内基·梅隆大学的合作团队。

另外本届大会颁发了首届杰出审稿人奖，其中微软亚洲研究院的两位清华毕业校友Xiting Wang 和吴方照获得了最佳SPC。

最后不得不说的是本届AAAI 2021由微众银行首席人工智能官杨强教授担任大会主席。据周志华教授介绍，杨强教授的此次任职亦是AAAI大会历史上第二位大会主席，同时属华人首次。

 

1

AAAI 2021  开幕式

AAAI 的英文全称是 Association for the Advance of Artificial Intelligence——美国人工智能协会。该协会是人工智能领域的主要学术组织之一，其主办的年会也是人工智能领域的国际顶级会议。

AAAI 2021（第 35 届 ）正在于2月2日-2月9日全程线上举办。 

本次AAAI 2021一共收到有效提交论文7911篇，最终录取的数量为1696篇，接收率为21.4%。

另外据大会统计，在接收论文中一共有70.6%是学生论文！简直是太厉害了!

下图是2010年-2021年十二年来AAAI大会的论文投稿量统计图，可以看出，论文投稿量今年达到了一个新高9945篇，明年冲一冲，论文投稿量破万几乎是板上钉钉。

与此同时从下图看出今年大会21.4%的论文接收率并不算低，反而比前两年AAAI有所提高，而相比IJCAI 2020百分十几的灭霸录取率更是高了很多。

下图是国家/地区论文接收排行，可以看出中国大陆无论是论文投稿量（3319篇）还是论文接收量（627篇）都是全球第一！比排在第二位的美国足足多出1497篇。

下图是国家/地区论文接收率排行统计图，可以看出排在前三位的是奥地利（高达40%以上）、意大利和瑞士，而中国大陆18.9%的接收率比较尴尬，仅仅只排在了第十三位。

下图是本次大会按不同主题领域划分的论文投稿和接收数量（这两者呈正相关关系）统计图，可以看出机器学习以2654篇投稿量压倒性的排在第一位，而排在后面三位的则是计算机视觉、语音&自然语言处理、数据挖掘&知识管理，这个统计分布在整体上也是大致符合目前AI圈的研究现状的。

下图则是在上图的基础上直接列出了AAAI 2020和2021这两年的按主题领域划分的论文接收量排行，可以看出这两年的统计在分布上惊人而又意料之中的一致！

机器学习和计算机视觉火爆就意味着接收率高、容易中稿吗？

从下图按主题领域划分的论文接收率可以明显看出并不是，机器学习和计算机视觉领域的接收率只有20%左右，这竞争真可谓是鸭梨山大啊。而约束满足&优化领域的论文接收率则是高达43%，博弈论&经济悖论、搜索和优化的论文接收率也是不低，看官您心动了吗？ 

接下来是AAAI 2021大奖时间！

本次大会有三篇最佳论文和三篇最佳论文亚军，还有六篇杰出论文。

  

2

最佳论文奖

如上图所示，一共有三篇论文获得了最佳论文奖，它们分别是：

1、《Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting》

论文链接：https://arxiv.org/abs/2012.07436

论文摘要：

许多实际应用需要对长序列时间序列进行预测，例如耗电量规划。长序列时间序列预测（LSTF）需要模型的高预测能力，这指的是有效捕获输出和输入之间精确的长期依赖关系的能力。 

最近的研究表明，Transformer具有提高预测能力的潜力。但是，Transformer有几个严重的问题，使它无法直接应用于LSTF，例如二次时间复杂度、高内存占用率以及编码器-解码器架构的固有限制。

为了解决这些问题，我们为LSTF设计了一个有效的基于Transformer的模型，称为Informer，它具有三个独特的特征：（i）ProbSparse自注意机制，该机制在时间复杂度和内存使用上达到O（LlogL），并且在序列依赖性对齐上具有足够的性能。（ii）自注意提炼通过将级联层输入减半而突出了注意力，并有效地处理了极长的输入序列。（iii）生成风格解码器虽然在概念上很简单，但它会在单次向前操作中预测较长的时间序列，而不是一步一步地进行预测，从而极大地提高了长序列预测的推断速度。在四个大型数据集上进行的大量实验表明，Informer的性能明显优于现有方法，并为LSTF问题提供了新的解决方案。 

论文一作：北京航空航天大学计算机科学与工程学院Haoyi Zhou。 

2、《Exploration-Exploitation in Multi-Agent Learning: Catastrophe Theory Meets Game Theory》 

论文链接：https://arxiv.org/abs/2012.03083

论文摘要： 

探索-开发是多智能体学习（MAL）中强大而实用的工具，但是其效果远未得到人们了解。为了朝这个方向发展，我们研究了Q Learning的平滑模拟。

首先，我们证明我们的学习模型作为研究探索-开发的最佳模型具有强大的理论依据。具体而言，我们证明了平稳的Q Learning在任意博弈中对于一个成本模型具有有限的遗憾，该成本模型可明确捕获博弈和探索成本之间的平衡，并且始终收敛于量化响应均衡（QRE）集，这是有限理性下博弈的标准解决方案概念，适用于具有异构学习智能体的加权潜在博弈。 

在我们的主要任务中，我们将转向衡量探索对集体系统性能的影响。我们在低维MAL系统中表征QRE表面的几何形状，并将我们的发现与突变（分叉）理论联系起来。尤其是，随着探索超参数的逐步演变，系统会经历相变，在此过程中，给定探索参数的无穷小变化，平衡的数量和稳定性可能会发生根本性的变化。在此基础上，我们提供了一种形式上的理论处理方法，即如何调整探索参数可以可证明地导致均衡选择，同时对系统性能产生积极和消极（以及可能无限的）影响。

论文一作：新加坡科技设计大学Stefanos Leonardos。 

3、《Mitigating Political Bias in Language Models Through Reinforced Calibration》 

论文链接：https://www.cs.dartmouth.edu/~rbliu/aaai_copy.pdf

论文摘要：

当前的大规模语言模型可能由于其训练数据而产生政治偏见，当将它们部署在现实环境中时可能会导致严重的问题。

在本文中，我们提出了用于衡量GPT-2生成中的政治偏见的指标，并提出了一种强化学习（RL）框架，用于缓解生成的文本中的政治偏见。通过使用来自词嵌入或分类器的奖励，我们的RL框架无需访问训练数据或要求对模型进行重新训练即可指导去偏见生成。 

在对政治偏见敏感的三个属性（性别、位置和主题）的实证实验中，我们的方法根据我们的指标和人工评估很好地减少了偏见，同时保持了可读性和语义一致性。

论文一作：达特茅斯学院计算机科学系博士生Ruibo Liu，本科毕业于华中科技大学电气与电子工程学院。

 

最佳论文提名奖

一共有三篇论文获得最佳论文提名奖。其中论文《Learning from eXtreme Bandit Feedback》的作者之一是Michael Jordan。

论文《Self-Attention Attribution: Interpreting Information Interactions Inside Transformer》由北航和微软合作完成，一作是来自北航的Yaru Hao。

论文《Dual-Mandate Patrols: Multi-Armed Bandits for Green Security》由哈佛和CMU合作完成，一作是来自哈佛计算机科学系的Lily Xu。

 

 此外，来自CMU的助理教授方飞是作者之一。方飞本科毕业于清华大学电子工程系，是一名坚定的“AI向善”践行者。自 2015 年起，她便结合博弈论与机器学习开发了 PAWS系统，帮助动物保护区制定随机巡逻路线，提高搜捕盗猎痕迹销量，从而大幅降低了盗猎比率。她这次的提名奖论文也是关于AI反盗猎的。

方飞是一名坚定的“AI向善”践行者。自 2015 年起，她便结合博弈论与机器学习开发了 PAWS系统，帮助动物保护区制定随机巡逻路线，提高搜捕盗猎痕迹销量，从而大幅降低了盗猎比率。她这次的提名奖论文也是关于AI反盗猎的。 

除了反盗猎，方飞还将博弈论与机器学习应用于保护渡轮线路、保护树林、减少食品浪费、降低高利贷危害、帮助流浪少年等等。近年，她还尝试将这一类方法用于优化共享乘车平台的出行效率。 

方飞始终坚信：“AI 是可以用于解决我们当前所面临的许多社会问题的。”

1、《Learning from eXtreme Bandit Feedback》

论文链接：https://arxiv.org/abs/2009.12947

2、《Self-Attention Attribution: Interpreting Information Interactions Inside Transformer》

论文链接：https://arxiv.org/abs/2004.11207 

3、《Dual-Mandate Patrols: Multi-Armed Bandits for Green Security》

论文链接：https://arxiv.org/abs/2009.06560 

众所周知写论文很难，而当个好的审稿人也不简单，下图展示的是大会组委会颁发的首届杰出审稿人奖，其中微软亚洲研究院的两位清华毕业校友Xiting Wang 和吴方照获得了最佳SPC。

下图展示了最佳论文奖的评审委员，其中有三位华人学者，分别是南加州大学计算机系Fei sha教授、罗彻斯特大学计算机系罗杰波教授、亚利桑那州立大学计算机科学与工程系刘欢教授。 

3

杰出论文奖

1、《On the Tractability of SHAP Explanations》

论文链接：https://arxiv.org/abs/2009.08634

论文摘要：

SHAP解释是可解释AI的流行特征分配机制。它们使用博弈论的概念来衡量各个特征对机器学习模型预测的影响。尽管最近在学术界和工业界都引起了很多关注，但尚不清楚是否可以有效地计算常见机器学习模型的SHAP解释。 

在本文中，我们建立了在三个重要设置中计算SHAP解释的复杂性。首先，我们考虑完全因子化（fully-factorized）的数据分布，并表明计算SHAP解释的复杂性与计算模型期望值的复杂性相同。此完全因子化的设置通常用于简化SHAP计算，但是我们的结果表明，对于常用模型（如逻辑回归）而言，该计算可能难以处理。除了完全因子化的分布外，我们还表明，对于非常简单的设置，计算SHAP解释已经很棘手：在朴素贝叶斯分布上计算朴素分类器的SHAP解释。最后，我们证明即使在经验分布上计算SHAP也是＃P-hard。 

论文一作：UCLA助理教授Guy Van den Broeck。

值得一提的是，Guy Van den Broeck也是2019年IJCAI 计算与思想奖获得者。

2、《Ethically Compliant Sequential Decision Making》 

论文链接：https://www.aaai.org/AAAI21Papers/AAAI-3534.SvegliatoJ.pdf

论文摘要：

考虑到自动化系统在影响社会的领域中的加速部署，使自动化系统符合道德规范至关重要。尽管许多道德规范已经在道德哲学中进行了广泛的研究，但是对于构建自动化系统的开发人员来说，实施仍然具有挑战性。

本文提出了一种新颖的方法来构建符合道德规范的自动化系统，该系统在遵循道德框架的同时优化完成任务。首先，我们引入符合道德规范的自动化系统及其属性的定义。接下来，我们为神的命令理论（一种元伦理理论）、表面行为和美德伦理学提供了一系列伦理学框架。最后，我们在一组自动驾驶模拟以及对规划和机器人专家的用户研究中证明了我们的方法的准确性和可用性。

论文一作：麻省阿默斯特大学信息与计算机科学学院Justin Svegliato。

3、《Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation》

论文链接：https://www.aaai.org/AAAI21Papers/AAAI-2549.XuH.pdf

论文摘要： 

最近的研究表明，基于视图合成的自监督方法在多视图立体（MVS）上取得了明显的进展。但是，现有方法依赖于以下假设：不同视图之间的对应点共享相同的颜色，这在实践中可能并不总是正确的。这可能导致不可靠的自监督信号并损害最终的重建性能。 

为了解决这个问题，我们提出了一个框架，在语义共分割（co-segmentation）和数据增强的指导下，集成了更可靠的监督。特别是，我们从多视图图像中挖掘出相互语义，以指导语义一致性。并且我们设计了有效的数据增强机制，通过将常规样本的预测视为伪ground truth来确保变换样本的正则化，从而确保变换的鲁棒性。在DTU数据集上的实验结果表明，我们提出的方法在无监督方法中达到了SOTA，甚至可以与有监督方法相媲美。此外，在Tanks＆Temples数据集上的大量实验证明了该方法的有效泛化能力。

论文一作：深圳市计算机视觉与模式识别重点实验室、华南理工大学Hongbin Xu。 

4、《Expected Eligibility Traces》

论文链接：https://www.aaai.org/AAAI21Papers/AAAI-10339.vanHasseltHP.pdf

论文摘要： 

如何确定哪些状态和行为对某个结果负责的问题被称为信念分配问题，并且仍然是强化学习和人工智能中的核心研究问题。资格迹（Eligibility traces）可将信念分配有效地分配给智能体最近经历的状态和操作序列，但不会分配给可能导致当前状态的反事实序列。

在这项工作中，我们引入了预期的资格迹。预期的迹允许通过单次更新来更新可能早于当前状态的状态和操作，即使它们此时未这样做也是如此。我们讨论了预期的迹何时在时序差分学习（temporal-difference learning）中优于经典（瞬时）迹，并且证明有时可以实现显著的改进。我们提出了一种通过类似于自举的机制在瞬时迹和预期迹之间平滑内插的方法，该方法可确保生成的算法是时序差分函数的严格泛化。最后，我们讨论可能的扩展和与相关概念（例如后继特征）的联系。

论文一作：DeepMind研究科学家Hado van Hasselt（强化学习大神David Silver也是作者之一）。 

5、《Polynomial-Time Algorithms for Counting and Sampling Markov Equivalent DAGs》

论文链接：https://www.aaai.org/AAAI21Papers/AAAI-4640.WienoebstM.pdf 

论文摘要：

马尔可夫等效类的有向无环图的计数和采样是图因果分析中的基本任务。在本文中，我们证明了这些任务可以在多项式时间内完成，从而解决了该领域长期存在的开放性问题。我们的算法有效且易于实施。实验结果表明，该算法明显优于目前的SOTA方法。

论文一作：德国吕贝克大学理论计算机科学研究所Marcel Wienobst。 

6、《IQ – Incremental Learning for Solving QSAT》

论文链接：https://www.aaai.org/AAAI21Papers/AAAI-7047.LeeT.pdf

论文摘要： 

事实证明，基于反例指导抽象优化（CEGAR）方法的量化可满足性（QSAT）问题的求解器具有很高的竞争力。最近，求解器QFUN证明了在这种情况下可以成功利用机器学习。QFUN周期地使用决策树学习器，从QSAT的博弈论公式中学习动作和反动作，从而推断出在CEGAR框架内添加到部分扩展的QSAT公式中的策略。我们提出了IQ，它是一种新的QSAT求解器，它进一步发展了这一思想。 

IQ用增量学习（incremental learning）决策列表代替了决策树的批量学习。但是，它的关键创新在于如何利用它们。IQ跟踪这些增量学习器在每个增量上的表现，通过它们在预测已知反向运动方面的成功程度来衡量。这样，就可以在合并策略之前就何时学会了好的策略做出明智的决策。通过这种方式，它避免了将资源投入到批量学习步骤，而这些步骤事先无法得知学习器是否会产生好的策略。因此，它避免使用资源来推论无效策略，以及避免将无效策略添加到扩展中所带来的问题。通过对IQ进行评估，发现它的性能明显优于QFUN和QuAbS。

论文一作：剑桥大学计算机科学与技术系Thomas L. Lee。

  

4

其他大奖

经典论文奖

“经典论文奖”设立于1999年，旨在表彰从特定会议年选出的最具影响力的论文作者。2021年的奖项颁发给2005年在宾夕法尼亚州匹兹堡举行的第二十届AAAI上最具影响力的论文，获奖理由：本论文提出了具有较低推理复杂度的基本知识表示语言，这些语言在人工智能之外对Web的语义基础产生了重大影响。 

论文：《DL-Lite: Tractable Description Logics for Ontologies》

论文作者：Diego Calvanese, Giuseppe De Giacomo, Domenico Lembo, Maurizio Lenzerini, and Riccardo Rosati。

论文链接：https://virtual.2021.aaai.org/paper_CLASSIC-2021.html 

论文摘要：

本文提出了一种新的被称为DL-Lite的描述逻辑，专门用于捕获基本本体（basic ontology ）语言，同时保持了较低的推理复杂性。这里的推理不仅意味着计算概念之间的包容，检查整个知识库的可满足性，而且还意味着回答在二次存储中维护的实例集上的复杂查询（特别是连接查询）。

本文证明了在DL Lite中，通常的DL推理任务是TBox大小的多项式，而查询应答是ABox大小的多项式（即数据复杂性）。据我们所知，这是多项式数据复杂度在查询-应答知识库中的第一个结果。我们的逻辑的一个显著特点是在查询求值过程中减少了TBox和ABox推理的分离：需要TBox推理的部分独立于ABox，需要访问ABox的部分可以由anSQL引擎执行，从而利用了当前dbms提供的查询优化策略。 

第一届百万美元松鼠AI大奖

2020年9月24日，麻省理工学院教授Regina Barzilay被宣布为AAAI松鼠AI奖的第一位获得者，奖金100万美元，该奖项旨在表彰她在癌症诊断和药物合成方面的工作。

更多信息请查看“在患癌幸存后，她因AI癌症研究获得首届AAAI百万美元大奖”一文。

AAAI/ACM SIGAI博士学位论文奖

11月6日，AAAI和ACM SIGAI联合发布了首个博士学位论文奖，麻省理工学院博士吴佳俊获得了2019年AAAI/ACM SIGAI博士论文奖。

另外还有两位博士获得了runners-Up奖项，分别是毕业于佐治亚理工学院的Aishwarya Agrawal和毕业于爱丁堡大学的董力。

AAAI / ACM SIGAI博士学位论文奖由AAAI和ACM SIGAI联合设立，以表彰和鼓励人工智能领域的博士生的出色研究和论文，提名者必须是ACM SIGAI成员和/或AAAI成员。该奖项将每年在AAAI上颁发，获奖者将被邀请在大会上发表演讲。

更多信息请查看“首届AAAI/ACM SIGAI博士论文奖公布，姚班学霸吴佳俊获奖”一文。

 

Feigenbaum奖

AAAI Feigenbaum奖每两年颁发一次，以表彰和鼓励通过使用计算机科学实验方法取得的杰出人工智能研究进展。过去曾有UC伯克利的Stuart Russell 、斯坦福大学的Yoav Shoham以及IBM Watson团队获得该奖。 

Carla Pedro Gomes是2021年的Feigenbaum奖获得者，她是美籍葡裔计算机科学家，也是康奈尔大学的教授。她是计算可持续性研究所的创始主任，并因其在开发计算方法以应对可持续性挑战方面的开拓性工作而闻名。 

获奖理由：通过在约束推理、优化、推理和学习的集成方面的创新，以及通过在生态、物种保护、环境可持续性和材料发现（用于清洁能源）中使用具有影响力的AI应用来建立计算可持续性领域，为人工智能领域做出重大贡献 。

罗伯特·S·恩格尔莫尔纪念奖

罗伯特·S·恩格尔莫尔(Robert S. Engelmore)纪念奖设立于2003年，为了纪念罗伯特·S·恩格尔博士为AI以及AAAI做出的杰出贡献。本年度的罗伯特·S·恩格尔莫尔纪念奖颁给了卡内基梅隆大学计算机科学系教授Tuomas Sandholm。

获奖理由：表彰他在在人工智能方面的杰出研究贡献：其在电子市场中的应用，在多人博弈论策略中AI的高度原创性使用以及AI在优化器官交换方面的应用贡献。 

最后值得一提的是，本次大会的特邀演讲嘉宾中有李开复老师的身影。

重磅！DLer-AI顶会交流群已成立！

大家好，这是DLer-AI顶会交流群！首先非常感谢大家的支持和鼓励，欢迎各位加入DLer-AI顶会交流群！本群旨在学习交流人工智能顶会（CVPR/ICCV/ECCV/NIPS/ICML/ICLR/AAAI等）、顶刊（IJCV/TPAMI/TIP等）写作与投稿事宜。包括第一时间发布论文信息和公开演讲视频，以及各大会议的workshop等等。希望能给大家提供一个更精准的研讨交流平台！！！

添加请备注：AI顶会+学校/公司+昵称（如CVPR+上交+小明）

???? 长按识别添加，即可进群！