AAAI 2024 奖项陆续公布,继杰出论文奖后,今天博士论文奖也公布了。
这几天,第 38 届国际 AI 顶会 AAAI 2024 在加拿大温哥华会议中心举行。本届 AAAI 会议共有 10504 篇投稿,录取 2527 篇,录取率为 24.1%。
此前,AAAI 官方已经公布杰出论文奖(Outstanding Paper Award),共有三篇论文入选,其中不乏华人学者的身影,比如西安电子科技大学团队论文《Reliable Conflictive Multi-view Learning》。
今日,AAAI 2024 公布了第三届、2021 年 AAAI/ACM SIGAI 博士论文奖获取者及获奖论文,她是 MIT 女博士 Shibani Santurkar,获奖论文为《超越准确性的呆板进修:模型泛化的特性视角》。
此外,哈佛大学博士 Bryan Wilder 获取了本届博士论文奖提名,获奖论文为《人口健康领域的人工智能:网络融合数据和算法》。
AAAI/ACM SIGAI 博士论文奖由 AAAI 和 ACM SIGAI 共同设立,旨在发现和鼓励人工智能领域的优秀博士研讨和论文。作为一个年度奖项,该博士论文奖将出现在一年一度的 AAAI 会议上,获奖者将在会议上做演讲。
据了解,第一届奖项由 MIT 博士吴佳俊(现为斯坦福助理教授)获取,获奖论文问题为《进修看物理世界》(Learning to See the Physical World)。
第二届奖项由 CMU 博士、 OpenAI 研讨科学家 Noam Brown 摘得,获奖论文问题为《大型对抗性不完美信息博弈的均衡发现》(Equilibrium Finding for Large Adversarial Imperfect-Information Games)。
吴佳俊(左)、Noam Brown(右)。
2021 AAAI/ACM SIGAI 博士论文奖
今年获取该奖项的论文问题为「 Machine Learning Beyond Accuracy: A Features Perspective On Model Generalization」,作者是当时在 MIT 求学的计算机科学博士 Shibani Santurkar,Santurkar 现在为斯坦福大学计算机科学博士后。
论文地址:https://dspace.mit.edu/handle/1721.1/139920
论文摘要:由于呆板进修(ML)在各种基准上的突出表现,已被很多研讨者应用于解决现实世界问题。然而,越来越多的证据表明模型基准性能并不能完全反映全部情况。事实证明,现有的呆板进修模型非常脆弱:最突出的问题是它们对对抗性示例输入扰动的敏感性。
本文重新审视对抗性示例,将它们用作了解当前模型的窗口,该研讨为为什么出现这种敏感性提供了新的视角:这是模型依赖于可预测但脆弱的输入特性的直接后果。
研讨结果表明,对抗性示例实际上反映了一个更深层次的问题:当前模型在基准测试上取得成功的机制,与人类所预期的基本不一致。这引发了一个问题:我们如何构建呆板进修(ML)模型,使其不仅在开发时使用的基准测试上具有泛化性,而且还能在真实世界中得到泛化?
为了回答这个问题,该研讨从特性视角(features perspective)检查呆板进修流程,不仅关注模型预测的标签,还关注它们使用哪些特性来进行预测。因此,在论文的第二部分,研讨者开发了一套工具来更好地理解:(i)模型进修了哪些特性,(ii)为什么进修这些特性,以及(iii)如何在训练或测试时修改学到的特性。这些工具使得用户在模型开发过程中进行关键设计选择,比如如何创建数据集,以及训练和评估模型。在这些洞见的基础上,论文随后提出了对呆板进修流程的具体改进,以提高模型的泛化能力。
作者介绍
个人主页:https://shibanisanturkar.com/
Shibani Santurkar 现在为斯坦福大学计算机科学专业的博士后,与 Tatsu Hashimoto、Percy Liang 和 Tengyu Ma(马腾宇) 一起进行研讨。在此之前,她在麻省理工学院获取了博士学位,师从 Aleksander Madry 和 Nir Shavit 。Shibani Santurkar 在印度理工学院孟买分校获取了电气工程学士和硕士学位。此前,她还在 Google Brain 和 Vicarious 实习。
在 Google Scholar 上,她的论文引用量近万。
博士论文奖提名
本届 AAAI/ACM SIGAI 博士论文提名奖获取者为哈佛大学博士 Bryan Wilder,现为 CMU 呆板进修系助理教授。研讨重心为高风险社会环境中实现公平、数据驱动决策的 AI,并整合呆板进修、优化和因果推理方法。
在加入 CMU 之前,他曾是哈佛大学公共卫生学院和 CMU 的施密特科学研讨员项目的博士后研讨员。
论文标题:AI for Population Health: Melding Data and Algorithms on Networks
论文地址:https://dash.harvard.edu/handle/1/37370083
参考链接:https://aaai.org/about-aaai/aaai-awards/aaai-acm-sigai-doctoral-dissertation-award/