Interprétation de la liste des mémoires de fin d'études 2023 : Êtes-vous effrayé par la sélection réussie ? Est-il difficile de changer le destin avec la réfutation ? Les évaluateurs sont-ils partiaux ?

Quand les classements sont à nouveau publiés au sommet, certains sont heureux et d'autres sont tristes.

Cet IJCAI 2023 a reçu un total de 4566 soumissions en texte intégral, avec un taux d'acceptation d'environ 15%

Lien de la question : ​https://www.zhihu.com/question/578082970​

À en juger par les résultats des commentaires sur Zhihu, la qualité globale de l'avis est toujours insatisfaisante (cela peut aussi être le ressentiment d'avoir été rejeté...), et certains évaluateurs ont même rejeté l'avis sans même lire le contenu de la réfutation. .

Il existe également des épreuves avec le même score mais des fins différentes.

Certains internautes ont également publié les raisons du rejet de la méta-revue, qui constituaient toutes des lacunes majeures.

Mais le rejet n'est pas la fin, le plus important est de continuer.

Netizen Lower_Evening_4056 estime que même les articles marquants seront rejetés à plusieurs reprises, et certains articles peuvent toujours être acceptés même s'ils ne sont pas assez remarquables.

Lorsque vous avancez et regardez en arrière ces commentaires raisonnables, vous constaterez que votre travail peut encore être amélioré à un niveau supérieur.

Le système d'évaluation présente des défauts et, plus important encore, ne considérez pas le rejet comme un résultat d'évaluation de votre valeur personnelle ou professionnelle. Si vous êtes étudiant et que votre conseiller vous évalue en fonction des résultats de vos évaluations plutôt que de la qualité de votre travail, vous souhaiterez peut-être reconsidérer votre relation avec votre conseiller.

La conférence NeurIPS a déjà réalisé des expériences de cohérence pour les articles avec une note moyenne comprise entre 5 et 6,5, les résultats d'acceptation sont fondamentalement aléatoires et dépendent des évaluateurs que vous rencontrez.

Par exemple, le résultat de l'article d'une personne est 9665. S'il n'a pas rencontré le critique qui lui a donné 9 points, le résultat doit être rejeté, mais il a rencontré Bole et a inversé le résultat de l'évaluation.

Enfin, félicitations aux chercheurs qui ont accepté leurs articles pour avoir contribué à promouvoir le développement de la recherche sur l'intelligence artificielle !

Voici quelques articles acceptés partagés sur les réseaux sociaux.

Articles acceptés par l'IJCAI 2023

Correction de dégradé pour l'apprentissage multitâche dans la reconnaissance vocale de bout en bout résistante au bruit

Dans les systèmes de reconnaissance vocale automatique (ASR) en aval, la stratégie d'apprentissage par amélioration de la parole ( SE) est démontré Capable de réduire efficacement le bruit généré par les signaux vocaux bruyants, le système utilise une stratégie d'apprentissage multitâche pour optimiser conjointement les deux tâches.

Cependant, la parole augmentée apprise via les cibles SE ne produit pas toujours de bons résultats ASR.

Du point de vue de l'optimisation, il existe parfois des interférences entre les gradients de la tâche adaptative et la tâche de réaction adaptative, ce qui entrave l'apprentissage multitâche et conduit finalement à des performances de réaction adaptative insatisfaisantes.

Lien papier :​https://arxiv.org/pdf/2302.11362.pdf​

Cet article propose une méthode de compensation de gradient (GR) simple et efficace pour résoudre le problème du bruit et des interférences. problème entre les gradients de tâches dans la reconnaissance vocale des bâtons.

Plus précisément, le gradient de la tâche SE est d'abord projeté sur une surface dynamique à un angle aigu avec le gradient ASR pour éliminer le conflit entre eux et faciliter l'optimisation ASR.

De plus, les tailles des deux gradients sont ajustées de manière adaptative pour éviter que la tâche ASR dominante ne soit induite en erreur par le gradient SE.

Les résultats expérimentaux montrent que cette méthode peut mieux résoudre le problème de l'interférence de gradient. Sur la base de l'apprentissage multitâche, elle a atteint des taux d'erreur relatifs sur les mots (WER) de 9,3 % et 11,1 % sur les données RATS et CHiME-4. ensembles respectivement )réduire.

La taille contrainte des clauses de la machine Tsetlin crée des modèles logiques concis

Tsetlin Machine (TM) est une approche d'apprentissage automatique basée sur la logique avec les principaux avantages d'être transparente et conviviale pour le matériel.

Bien que la MT corresponde ou dépasse la précision du deep learning dans un nombre croissant d'applications, les grands pools de clauses ont tendance à produire des clauses avec de nombreux littéraux (clauses longues), ce qui les rend moins faciles à comprendre.

De plus, les clauses plus longues augmentent l'activité de commutation de la logique des clauses dans le matériel, avec une consommation d'énergie plus élevée.

Lien vers l'article : https://arxiv.org/abs/2301.08190​

Cet article présente une nouvelle méthode d'apprentissage de la MT, c'est-à-dire la méthode d'apprentissage des sous-phrases avec contrainte de taille de clause (CSC- TM), qui peut définir des contraintes souples sur la taille des clauses.

Dès qu'une clause contient plus de littéraux que la contrainte ne le permet, les littéraux sont exclus, donc les clauses plus grandes n'apparaissent que brièvement.

Pour évaluer CSC-TM, les chercheurs ont mené des expériences de classification, de regroupement et de régression sur des données tabulaires, des textes en langage naturel, des images et des jeux de société.

Les résultats montrent que CSC-TM maintient la précision avec une réduction de texte jusqu'à 80x. En fait, TREC, IMDb et BBC Sports ont une précision plus élevée avec des clauses plus courtes, après les pics de précision, cela diminue lentement à mesure que la taille des clauses se rapproche d'une seule. texte.

Enfin, l'article analyse la consommation électrique du CSC-TM et obtient de nouvelles propriétés de convergence.

Problème de vérification #DNN : calcul d'entrées dangereuses dans les réseaux de neurones profonds

Les réseaux de neurones profonds sont de plus en plus utilisés pour des tâches critiques qui nécessitent un haut niveau de sécurité, comme la conduite autonome, bien qu'ils puissent être utilisés Validateur de pointe pour vérifier si un DNN n'est pas sécurisé :

Étant donné certaines propriétés (c'est-à-dire s'il existe au moins une configuration d'entrée non sécurisée), la sortie oui/non du modèle est utile à d'autres fins. (par exemple, blindage, informations insuffisantes pour la sélection du modèle ou l'amélioration de la formation).

Lien papier : ​https://arxiv.org/abs/2301.07068​

Cet article présente le problème de #DNN-Verification, qui implique le calcul des résultats qui conduisent à la violation de propriétés de sécurité spécifiques Avec le nombre de configurations d'entrée DNN, les chercheurs ont analysé la complexité de ce problème et ont proposé une nouvelle méthode qui renvoie le nombre exact de violations.

Puisque le problème est P-complet, nous proposons une méthode d'approximation stochastique qui fournit un décompte prouvé correct de la limite de probabilité tout en réduisant considérablement les exigences de calcul.

L'article présente également un ensemble de références critiques pour la sécurité, des résultats expérimentaux démontrant l'efficacité de la méthode d'approximation et évaluant l'étanchéité des contraintes.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!