IJCAI (International Joint Conference on Artificial Intelligence)2024,即第33届国际人工智能联合会议,于2024年8月3日至9日在韩国济州岛召开,是人工智能****领域中最主要的学术会议之一,也是CCF(中国计算机协会)和CE(会议之眼)都评级为A类的会议,往年整体录用率约为15%。
杰出论文奖
** **论文1:《Online Combinatorial Optimization with Group Fairness Constraints》,于在线组合优化领域引入了群体公平性约束的新视角。 论文地址:https://www.ijcai.org/Proceedings/2024/0044.pdf 随着数字市场和服务的不断扩展,维护一个安全和公平的环境对于所有用户来说至关重要。这需要在这些平台的顺序决策过程中实施公平约束,以确保平等对待。然而,这可能具有挑战性,因为这些过程通常需要解决每个时间步长决策空间呈指数级增长的NP完全问题。为了解决这一问题,我们提出了一个将稳健性和公平性融入NP完全问题的通用框架,如优化产品排序和最大化子模函数。我们的框架将问题转化为一个原始玩家旨在最大化平台目标与负责群体公平约束的对偶玩家之间的最大-最小博弈。我们展示了通过改变公平约束的阈值,可以追踪整个帕累托公平曲线。我们为我们的方法提供了理论保证,并通过实验证明了其有效性。论文2:《Enhancing Controlled Query Evaluation Through Epistemic Policies》,提出了通过认识论策略提升控制查询评估的新方法。 论文地址:https://www.ijcai.org/Proceedings/2024/0366.pdf 在本文中,我们提出使用认知依赖来表达控制查询评估(Controlled Query Evaluation, CQE)中的数据保护策略。CQE是一种在本体和数据库上进行保密查询回答的形式。我们提出的策略语言显著超越了现有文献中关于CQE的提案,允许非常丰富且具有实际意义的数据保护规则。我们展示了该框架的表达能力,并研究了当本体在描述逻辑DL-Lite(_R)中指定时,(联合)连接查询的CQE数据复杂性。值得注意的是,尽管我们表明该问题总体上是不可处理的,但我们通过提供一个合适的查询重写算法,证明了对于非循环认知依赖的情况是可处理的。这一结果为该新CQE方法的实现和实际应用铺平了道路。论文3:《Online Learning of Capacity-Based Preference Models》,专注于基于容量的偏好模型的在线学习。
论文地址:https://www.ijcai.org/Proceedings/2024/0787.pdf在多准则决策中,复杂的决策模型通常涉及一种非加性集合函数(称为容量)来定义所有准则子集的权重。这使得可以对准则间的相互作用进行建模,从而在准则聚合中留有多种态度的空间。将基于容量的决策模型拟合到给定的决策者(Decision Maker)是一个具有挑战性的问题,文献中已经提出了几种批量学习方法来从偏好示例数据库中推导容量。在本文中,我们介绍了一种在线算法,用于学习容量的稀疏表示,设计用于偏好示例按顺序提供的决策情境。我们基于正则化对偶平均的方法也非常适合于涉及大量偏好示例或大量准则的决策情境。此外,我们提出了一种变体,使得在保持可扩展性的同时,可以在容量上包括规范约束(例如,单调性、超模性),该变体基于交替方向乘子法。**
**
IJCAI-JAIR 最佳论文