最佳论文悄然出炉，AAAI 2020 除了“云会议”放视频，还能怎么玩？

正文

请到「今天看啥」查看全文

论文地址：https://arxiv.org/abs/1907.10641

The Winograd Schema Challenge (WSC) 是一个人类常识推理的基准，其本身包含由273个专家设计的问题，这些问题无法用选择偏好或者单词关联的统计模型解决。最近的一些神经语言模型方面的工作已经在WSC以及相关的基准测试中达到了90%的准确率。但是这些模型是否稳健？是否高估了机器常识的真实能力？

为了研究此类问题，作者引入了WinoGrande测试集，一个包含44000个问题的大规模数据集。受最初的WSC设计的启发，为了提高数据集的效率，进行了调整。数据集调整的关键步骤包括：1.精心设计的众包问题；2.使用AFLITE 算法减少系统偏差，该算法可以将自然语言转化为机器可以处理的向量。

WinoGrande上最好的方法达到59.4-79.1%的准确率，比人类的94.0%低15-35%，当然，这也取决于允许的训练数据量。此外，作者也在WSC(90.1%)、DPR(93.1%)、COPA(90.6%)、KnowRef(85.6%)和Wingender(97.1%)这五个相关基准上进行了新的测试。

测试结果表明：1、WinoGrande作为迁移学习资源是有效的；2、我们高估了基准测试中机器常识的真实能力。

2、最佳学生论文奖

论文：Fair Division of Mixed Divisible and Indivisible Goods

论文地址：https://arxiv.org/abs/1911.07048v1

摘要：本论文中，作者研究了在资源同时包含可分割商品和不可分割商品时的公平分配问题。经验的公平性概念如无嫉妒性（Envy-Freeness，EF）和最多有一种商品无嫉妒性（Envy-Freeness Up to One Good，EF1），无法直接应用到这种混合性的商品场景中。

在本论文中，作者提出了一种新的公平性概念：针对混合商品的无嫉妒性（Envy-Freeness for Mixed Goods ，EFM），能够直接将EF和EF1 泛化到混合商品场景中。同时，作者还证明了对于任意数量的代理，都存在EFM 分配。

同时，作者还提出了一种有效的算法，可在可分割商品上采用分段线性估值计算两个代理甚至 n个代理的 EFM 分配。最终，他们放宽了无嫉妒性需求，而是要求混合商品具有ǫ-无嫉妒性（ǫ-EFM），并且还提出了能够在一定数量的代理、一定数量的不可分割商品以及和1 /ǫ下的时间多项式中找到ǫ-EFM分配的算法。

3、最佳论文奖提名

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

作者：Vidal Alcazar, Pat Riddle, Mike Barley

摘要：目前论文未公开

4、最佳学生论文奖提名

论文： Lifelong Learning with a Changing Action Set

链接： https://arxiv.org/abs/1906.01770

在现实世界的许多顺序决策问题中，可用操作（决策）的数量会随时间变化。尽管在终生学习的相关工作中已经对一些问题进行了很好的研究，例如：灾难性遗忘，变化的转换动态，变化的奖励函数等问题，但操作集大小变化的问题仍未得到解决。在本文中，我们开发了一种新算法，该算法可以自动适应操作集随时间变化。为了解决这个开放的问题，我们将其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；优化使用该结构的策略。最后，我们论证了这种方法在基于现实世界的大规模终身学习问题上的效率。

请到「今天看啥」查看全文