AAAI 2020最佳论文出炉，800名国人缺席，疫情并未浇灭热情

2020 年 2 月 9 日 机器之心

机器之心报道

参与：一鸣、杜伟、Jamin

2 月 7 日，人工智能顶会 AAAI 2020（第 34 届 AAAI 大会）已于美国纽约正式拉开序幕，本届会议将持续到 2 月 12 日结束。值得注意的是，受疫情影响，中国大陆约有 800 名学者缺席此次会议，但大会程序主席此前表示，允许中国学者远程参会，AAAI 大会官方也将提供论文展示等帮助。

本届 AAAI 大会共收到了 8800 篇提交的论文，评审了 7737 篇，并最终接收了 1591 篇，接收率为 20.6％。

目前，AAAI 大会已经公布了最佳论文、最佳学生论文等各大引人瞩目的奖项。其中，最佳论文奖由来自艾伦人工智能研究院和华盛顿大学摘得，最佳学生论文奖由南洋理工大学、清华大学和香港大学联合摘取。

此外，本届大会还颁发了特别杰出论文奖、蓝天创意奖、杰出教育家奖、罗伯特·S·恩格尔莫尔纪念奖等其他奖项。

机器之心对各奖项获奖论文和获奖者进行了以下整理：

AAAI 2020 最佳论文奖

本次大会的最佳论文奖由艾伦人工智能研究院和华盛顿大学的研究者获得。

题目： WinoGrande: An Adversarial Winograd Schema Challenge at Scale

作者： Keisuke Sakaguchi、Ronan Le Bras、Chandra Bhagavatula、Yejin Choi

机构：艾伦人工智能研究院、华盛顿大学

论文链接： https://arxiv.org/abs/1907.10641

摘要：维诺格拉德模式挑战赛（Winograd Schema Challenge：WSC）是一个用于常识推理的基准测试，该测试有 273 个专家编写的问题，专门应对依赖选择偏好和词语联想的统计学模型。但是近来，许多模型在该基准测试的性能已达到 90%。因此，研究者希望了解，这些模型是否真正获得了鲁棒的常识能力。

因此，研究者提出了 WINOGRANDE，一个有着 44k 个问题的大规模数据集。该数据集在规模和难度上较之前的数据集更大。该数据集的构建包括两个步骤：首先使用众包的方式设计问题，然后使用一个新的 AFLITE 算法缩减系统偏见（systematic bias），使得人类可以察觉到的词汇联想转换成机器可以检测到的嵌入联想（embedding association）。现在最好的 SOTA 模型可以达到的性能是 59.4 – 79.1%，比人脸性能水平（94%）低 15-35%（绝对值）。这种性能波动取决于训练数据量（2% 到 100%）。

此外，研究者还在 5 个相关的基准数据集上进行了测试，取得了以下结果： WSC (→ 90.1%)、DPR (→ 93.1%)、COPA(→ 90.6%)、KnowRef (→ 85.6%) 和 Winogender (→ 97.1%)。

这说明，一方面 WINOGRANDE 是一个很好的迁移学习的资源；但另一方面，这说明我们现在高估了模型的常识推理的能力。研究者希望通过这项研究能够让学界重视减少算法的偏见。

表 1： WSC 的问题通过问题对（pairs）的方式构建。 其中，这两个问题基本上是类似的，并有着两个答案项。 问题中包含一个触发词（trigger word），用来标明哪个选项是正确的。

在上图的案例中，X 表示这些问题有着语言偏见（language bias）。例如，在样本（4）中，狮子和捕食者在语言中相比斑马和有肉的有着更高的关联性。

表 2： 使用 AFLITE 算法检测出的数据集偏见，使用 X 标记。

同时， Riken AIP 和奥克兰大学的研究者的论文获得了最佳论文奖提名：

题目： A Unifying View on Individual Bounds and Heuristic Inaccuracies in Bidirectional Search

作者： Vidal Alcazar、Pat Riddle、Mike Barley

机构： Riken 高级智能项目中心（Center for Advanced Intelligence Project）、奥克兰大学

论文链接：

https://ai.dmi.unibas.ch/research/reading_group/alcazar-et-al-aaai2020.pdf

摘要：过去几年，新的双向启发式搜索算法取得了很多成功。这些算法的创新之处在于，它们降低了从 g 个值中双向获取信息的成本。 Kaindl and Kainz (1997) 、Sadhukhan (2013) 等都为这一领域做出了共吸纳，但仍有一些问题没有解决。本文中，研究者在相关领域进行了更多的扩展。

AAAI 2020 最佳学生论文奖

本届大会的最佳学生论文奖由南洋理工大学、清华大学和香港大学的研究者获得。

题目： Fair Division of Mixed Divisible and Indivisible Goods

作者： Xiaohui Bei, Zihao Li, Jinyan Liu, Shengxin Liu, Xinhang Lu

机构：南洋理工大学、清华大学、香港大学

论文链接： https://arxiv.org/pdf/1911.07048.pdf

摘要：本文究了当资源包含可分割商品及不可分割商品时的公平分配问题。比如，无嫉妒性（envy-freeness，EF）及无嫉妒性最多可用于单一商品（envy-freeness up to one good, EF1）这种经典公平问题概念，是无法直接应用于混合商品的分配问题中。而在此次研究中提出了一个新的公平概率-混合商品的无嫉妒性（envy-freeness for mixed goods, EFM），而它是 EF 和 EF1 针对混合商品集合的直接通用化结果。

研究者证明了对于任意数量的代理（agents）而言，EFM 的分配始终存在。他们还提出了一个有效算法去计算两个代理和 n 个代理的 EFM 分配问题，并且对可分割商品进行分段化的线性评估。最后，研究者放松了对无嫉妒性的要求，改为针对混合商品的ǫ-无嫉妒性（ǫ-EFM），以及提出了一种算法，使其在一定的代理数量、一定的不可分割商品数量和的 1 /ǫ的情况下，找到时间多项式的ǫ-EFM 分配。

算法 1： EFM 算法。

最佳学生论文奖提名颁给了来自马萨诸塞大学阿默斯特分校和 Adobe Research 的研究者。

题目： Lifelong Learning with a Changing Action Set

作者： Yash Chandak、Georgios Theocharous、Chris Nota、Philip S. Thomas

机构：马萨诸塞大学阿默斯特分校、Adobe Research

论文链接： https://arxiv.org/abs/1906.01770

摘要：在现实世界诸多的序列决策（sequential decision）问题中，可用操作（决策）的数量会随时间而变化。尽管终身学习的相关研究已经对灾难性遗忘、改变转移动态以及变化奖励函数等问题进行了相关研究，但操作集（action set）发生变化的环境仍未得到解决。因此，研究者在本文中提出了一种算法，该算法可以自动适应一个大小随时间变化的操作集。为了解决这个开放的问题，他们将其划分为两个可以迭代解决的步骤：在操作空间中推断底层的未知结构；对利用这种结构的策略进行优化。研究者证明了这种方法在现实世界大规模的终身学习问题上的有效性。

图： 推荐系统领域中终身学习随操作集变化的实验。 学习曲线对应每种算法最佳性能设置时的运行平均值。 阴影部分对应 10 次实验获得的标准差。 垂直曲线表示更改操作集的时间。

此外，本届大会还设有特别的杰出论文奖，用于鼓励那些使用 AI 而带来社会影响的研究。本次获奖的论文是关于地震预警的，获奖研究者来自雷恩大学、罗格斯大学和俄勒冈大学。

题目： A Distributed Multi-Sensor Machine Learning Approach to Earthquake Early Warning

作者： Kévin Fauvel等

机构：雷恩大学、罗格斯大学、俄勒冈大学

论文链接： https://hal.archives-ouvertes.fr/hal-02373429v2/document

摘要：本项研究旨在通过机器学习提供地震预警系统（EEW）的准确性。此系统的设计核心目的为针对于中大型地震，在破坏性影响到达特定区域前探测出来。传统的 EEW 方法是基于地震检波器的，但由于传统方法对地震运动速度敏感性的问题，导致不能准确地识别大地震。而另一方面，由于引进的高精度 GPS 站点对其产生的噪音数据会有倾向性，也无法准确识别中等强度的地震。此外，全球定位系统站点和地震仪可能会在不同的地点进行大量部署，产生大量的数据，从而影响响应的时间以及 EEW 系统的稳定性。

在实践中，EEW 可以看作成机器学习领域中一个典型的分类问题：多传感器的数据为输入，地震的强烈程度为分类的输出结果。本文介绍了一种基于机器学习的分布式多传感器地震预警系统（DMSEEW），该系统结合了两种传感器（GPS 站台和地震仪）的数据进行探测。 DMSEEW 是基于一种新的堆栈集成的方式，该方法已在实际的数据集中经过地理科学家们的验证。该系统是基于地理层面分布式的基础设施，以确保在响应时间和鲁棒程度下，即使有部分基础设施故障时依然保持高效计算性。实验结果表明，DMSEEW 方法与传统的地震预测方法和采用相对强度的组合传感器（GPS 和地震仪）方法相比，具有更高的精确度。

分布式多传感地震预警算法（DMSSEW）

其他奖项

本届 AAAI 大会还颁发了蓝天创意奖、杰出教育家奖以及罗伯特·S·恩格尔莫尔纪念奖等奖项。

2020 蓝天创意奖

蓝天创意奖用来鼓励哪些能够激发学界探索新方法、新思路的研究工作。本次获奖的论文有三篇：

第一名： Back to the Future for Dialogue Research

作者： Philip R. Cohen

第二名： AI for Explaining Decisions in Multi-Agent Environments

作者： Sarit Kraus 等

第三名： Unveil- ing Hidden Intentions

作者： Gerardo Ocampo Diaz 和 Vincent Ng

2020 AAAI/EAAI 杰出教育家奖

AAAI /EAAI 杰出教育家奖的设立旨在表彰那些对 AI 教育做出重要贡献以及对 AI 社区产生深远影响的个人或团体。该奖项由 AAAI 大会和人工智能教育进展研讨会（Symposium on Educational Advances in Artificial Intelligence）联合赞助。

本届 AAAI/EAAI 杰出教育家奖授予了美国西蒙斯大学管理、计算和信息科学学（College of Organizational, Computational, and Information Sciences）院院长 Marie desJardins，以表彰其在培养和认可人工智能教育进展、分享教学进步、提升教学多样化以及增强 K-12 CS 师资储备方面对 AI 社区做出的重大贡献。