第 36 届 AAAI 人工智能会议已于 2 月 22 日在线上召开。目前,大会公布了今年的杰出论文奖(1 篇)和提名奖(2 篇),其中来自巴黎第九大学、Meta AI 等机构的研究者凭借推荐系统赢得了 AAAI 2022 杰出论文奖。另外,中科院自动化所博弈学习研究组凭借其研发的轻量型德州扑克 AI 程序 AlphaHoldem 获得了 Distinguished 论文奖(共 6 篇)。
作为全球人工智能顶会之一,2022 年的 AAAI 大会热度又创下了历史新高:大会共收到 9251 篇投稿,其中 9020 篇投稿进入了评审环节。但令人意外的是,今年的接收率却创下了历史新低,仅 1349 篇论文被接收,接收率仅为 15.0%。
目前,AAAI 2022 已经公布了杰出论文奖、杰出学生论文奖、Distinguished 论文奖、最佳演示奖等多个奖项。
杰出论文奖
本届会议有 1 篇论文获得杰出论文奖,另有 2 篇论文获得杰出论文提名奖。
杰出论文:Online certification of preference-based fairness for personalized recommender systems
摘要: 推荐系统正面临审查,因为它们对用户的影响越来越大。当前的公平审计仅限于敏感群体级别的粗粒度奇偶校验评估。该研究建议审计应该「envy-freeness」,这是一个与个人偏好一致的更细化的标准:每个用户都应该更喜欢符合自己的推荐而不是其他用户的推荐。由于「envy」审计需要估计用户现有推荐之外的偏好。该研究提出了一种样本高效算法,理论上保证推荐系统不会降低用户体验。此外,他们还研究了所提方法在现实世界推荐数据集上可以实现的权衡。 下图为审计场景:审计员要么在当前推荐中向用户展示他们的推荐系统,或通过向其他用户显示推荐来进行探索:
该研究提出的 OCEF 算法流程如下所示:
杰出论文提名 1:Bayesian persuasion in sequential decision-making
杰出论文提名 2:Introducing Operator-Potential Heuristics for Symbolic Search
杰出学生论文奖
本届会议共有 1 篇论文获得杰出学生论文奖,另有 2 篇论文获杰出学生论文提名奖。
杰出学生论文:InfoLM: A New Metric to Evaluate Summarization & Data2Text Generation
**摘要:**通过人工注释评估自然语言生成系统质量的方法成本非常高,并且非常耗时。因此在实践中,研究人员大多依靠自动指标来评估模型质量。过去十年,领域内涌现出许多基于字符串的指标(例如 BLEU)。但是,此类指标通常依赖于精确的匹配,因此不能稳健地处理同义词。基于此,该研究提出了一系列未经训练的指标 InfoLM,这些指标可被视为基于字符串的指标,但借助预训练掩码语言模型解决了上述缺陷。这些指标还利用信息度量,允许 InfoLM 适应各种评估标准。该研究使用直接评估证明了 InfoLM 显著改进了文本摘要和 data2text 生成任务的许多配置,并获得了超过 10 点的相关增益。 杰出学生论文提名 1:Compilation of aggregates in ASP systems
杰出学生论文提名 2:Entropy estimation via normalizing flow
Distinguished 论文奖
本届会议共选出了 6 篇 Distinguished 论文。 论文 1:AlphaHoldem: High-Performance Artificial Intelligence for Heads-Up No-Limit Poker via End-to-End Reinforcement Learning
相关报道见:达到人类专业玩家水平,中科院自动化所研发轻量型德州扑克AI程序AlphaHoldem
论文 2:Certified symmetry and dominance breaking for combinatorial optimisation
论文 3 Online elicitation of necessarily optimal matchings
论文 4:Sampling-based robust control of autonomous systems with non-Gaussian noise
论文 5:Subset approximation of Pareto regions with bi-objective A
AAAI-22 最佳演示奖
论文标题:A demonstration of compositional, hierarchical interactive task learning
作者:Aaron Mininger、John Laird **摘要:**该研究展示了交互式任务学习智能体 Rosie 的演示,它通过设置自然语言指令让智能体学习在模拟环境中执行巡逻任务。执行过程中,Rosie 建立了一个相当大的任务层次结构,包括先天和后天学习任务、制定为实现目标或遵循程序的任务、具有条件分支和循环的任务以及涉及交流和心理活动的任务组成。Rosie 在 Soar 认知架构中实现,并使用声明性任务网络表示任务,通过 chunking 将其编译成程序规则,这是让 Rosie 从单个训练集中学习并快速泛化的关键。
AAAI 2022 奖项汇总参考链接:https://aihub.org/2022/02/24/congratulations-to-the-aaai2022-award-winners/