1901
3
0
2023-12-28 20:02:06
2023-12-28
近日，CCF A類人工智能國(guó)際頂級(jí)會(huì)議AAAI'2024放榜，團(tuán)隊(duì)與澳大利亞莫納什大學(xué)、中山大學(xué)等單位合作，以暨南大學(xué)為通訊作者單位或第一作者單位被人工智能國(guó)際頂級(jí)會(huì)議（CCF A）AAAI 2024接收。本次會(huì)議上發(fā)表的2篇論文涉及分布外泛化模型、作文自動(dòng)評(píng)分模型等研究領(lǐng)域。本次會(huì)議共提交了12100篇文章，接受了2342篇論文，總體錄用率為23.75%。
AAAI的英文全稱是The Association for the Advancement of Artificial Intelligence，即人工智能促進(jìn)協(xié)會(huì)，該協(xié)會(huì)主辦的年會(huì) (The AAAI Conference on Artificial Intelligence) 是重要的國(guó)際人工智能學(xué)術(shù)會(huì)議之一，致力于推動(dòng)智能思維與行為機(jī)制的科學(xué)理解及機(jī)器實(shí)現(xiàn)，并促進(jìn)人工智能的科學(xué)研究和規(guī)范應(yīng)用，對(duì)于人工智能領(lǐng)域的學(xué)術(shù)研究有著顯著的影響力和知名度。許多重要的理論突破、創(chuàng)新方法和實(shí)際應(yīng)用都在該會(huì)議上首次亮相，屬于CCF-A類會(huì)議。第38屆AAAI會(huì)議（AAAI-24）將于2024年2月20日至27日在加拿大溫哥華舉行。
論文1：Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach
中文：分布外泛化中偽不變性的診斷與修正：一種重構(gòu)因果方法
作者：陳子良，Yongsen Zheng ，賴兆榮， 官全龍*， 林倞
不變表征學(xué)習(xí)通過(guò)構(gòu)建不變特征到標(biāo)簽之間的因果關(guān)系去排除領(lǐng)域環(huán)境中的混淆因子，從而賦予智能體在面對(duì)訓(xùn)練分布外數(shù)據(jù)時(shí)的泛化能力。盡管這類方法備受關(guān)注，最近理論研究發(fā)現(xiàn)通過(guò)不變表征學(xué)習(xí)重構(gòu)出來(lái)的一部分因果特征往往只是“假裝”具有領(lǐng)域不變性：其領(lǐng)域不變性只體現(xiàn)在參與訓(xùn)練的領(lǐng)域中，而當(dāng)遇上沒(méi)見(jiàn)過(guò)的領(lǐng)域數(shù)據(jù)時(shí)，這些特征下的標(biāo)簽預(yù)測(cè)效果往往不具備領(lǐng)域不變的特點(diǎn)。該類偽不變特性嚴(yán)重威脅到現(xiàn)有不變表征學(xué)習(xí)模型的分布外泛化能力。而在本工作中，基于部分信息不變特征結(jié)構(gòu)因果模型（PIIF SCM）及完全信息不變特征結(jié)構(gòu)因果模型（FIIF SCM）的常見(jiàn)數(shù)據(jù)假設(shè)下，我們重新審視了一系列關(guān)于不變表征學(xué)習(xí)方法。我們對(duì)基于信息不變特征結(jié)構(gòu)因果模型和完全信息不變特征結(jié)構(gòu)因果模型的領(lǐng)域數(shù)據(jù)假設(shè)提供了新的理論分析，發(fā)現(xiàn)其兩者均無(wú)法同時(shí)對(duì)虛假特征（spurious features）和偽不變特征（fake invariant features）進(jìn)行有效建模。因此，我們聯(lián)合以上兩個(gè)結(jié)構(gòu)因果模型的因果圖提出了重構(gòu)結(jié)構(gòu)因果模型（RS-SCM），實(shí)現(xiàn)了對(duì)數(shù)據(jù)背后的虛假特征和偽不變特征的同時(shí)建模；并且通過(guò)對(duì)RS-SCM中的變量因果關(guān)系進(jìn)行分析，進(jìn)一步提出了交互不變學(xué)習(xí)方法。交互不變學(xué)習(xí)通過(guò)引入一個(gè)小型的輔助網(wǎng)絡(luò)對(duì)現(xiàn)有的不變表征學(xué)習(xí)方法實(shí)現(xiàn)改造，利用條件互信息去交互消除虛假特征和偽不變特征對(duì)分布外標(biāo)簽預(yù)測(cè)效果的干擾。診斷性實(shí)驗(yàn)進(jìn)一步證實(shí)了理論假設(shè)和方法的可信性，同時(shí)真實(shí)的大規(guī)模領(lǐng)域泛化基準(zhǔn)數(shù)據(jù)也驗(yàn)證了提出方法的有效性。
論文2：Unveiling the Tapestry of Automated Essay Scoring: A Comprehensive Investigation of Accuracy, Fairness, and Generalizability
中文：揭開(kāi)作文自動(dòng)評(píng)分模型的面紗：對(duì)準(zhǔn)確性、公平性和普遍性的綜合研究
作者：Kaixun Yang , Mladen Rakovic , Yuyang Li , Quanlong Guan（官全龍）*, Dragan Gasevic , Guanliang Chen*
作文自動(dòng)評(píng)分（AES）模型是一種公認(rèn)的智慧教育追求和人工智能+教育的典型應(yīng)用，它采用機(jī)器學(xué)習(xí)來(lái)評(píng)估學(xué)生撰寫(xiě)的作文。鑒于目前機(jī)器學(xué)習(xí)模型存在固有的偏見(jiàn)及對(duì)邊緣化群體有著潛在影響，研究當(dāng)前AES模型中是否存在這種非公平性的偏見(jiàn)，這種偏見(jiàn)如何發(fā)現(xiàn)及影響AES模型的準(zhǔn)確性和泛化性。因此，我們的研究旨在揭示AES模型的準(zhǔn)確性、公平性和泛化性之間的復(fù)雜關(guān)系，為在現(xiàn)實(shí)世界的智慧教育中開(kāi)發(fā)有效的AES模型提供實(shí)用見(jiàn)解。為此，我們精心選擇了九種先進(jìn)的AES方法，并在開(kāi)源數(shù)據(jù)集上使用七種不同的指標(biāo)評(píng)估了它們的性能，該數(shù)據(jù)集包含25000多篇文章和關(guān)于學(xué)生的各種人口統(tǒng)計(jì)信息，如性別、英語(yǔ)學(xué)習(xí)者狀況和經(jīng)濟(jì)狀況。通過(guò)廣泛的評(píng)估，我們得出非常有趣的結(jié)論：在預(yù)測(cè)準(zhǔn)確性方面，特定提示模型往往優(yōu)于跨提示模型；與跨提示模型相比，特定提示模型往往對(duì)不同經(jīng)濟(jì)地位的學(xué)生表現(xiàn)出更大的偏見(jiàn)； 在追求泛化性的過(guò)程中，與復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型相比，傳統(tǒng)的機(jī)器學(xué)習(xí)模型（如SVM）與精心設(shè)計(jì)的特征相結(jié)合，在實(shí)現(xiàn)高精度和公平性方面具有更大的潛力。
研究工作得到了國(guó)家重點(diǎn)研發(fā)計(jì)劃（2022YFC3303603），國(guó)家自然科學(xué)基金（62077028, 62377028），粵港澳智慧教育聯(lián)合重點(diǎn)實(shí)驗(yàn)室（2022LSYS003）等項(xiàng)目的支持。
