1764
3
0
2023-12-28 20:02:06
2023-12-28
近日，CCF A類人工智能國際頂級會議AAAI'2024放榜,，團(tuán)隊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際頂級會議（CCF A）AAAI 2024接收。本次會議上發(fā)表的2篇論文涉及分布外泛化模型,、作文自動評分模型等研究領(lǐng)域,。本次會議共提交了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,，該協(xié)會主辦的年會 (The AAAI Conference on Artificial Intelligence) 是重要的國際人工智能學(xué)術(shù)會議之一,，致力于推動智能思維與行為機(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)用都在該會議上首次亮相,，屬于CCF-A類會議。第38屆AAAI會議（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訓(xùn)練分布外數(shù)據(jù)時的泛化能力,。盡管這類方法備受關(guān)注,，最近理論研究發(fā)現(xiàn)通過不變表征學(xué)習(xí)重構(gòu)出來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)遇上沒見過的領(lǐng)域數(shù)據(jù)時，這些特征下的標(biāo)簽預(yù)測效果往往不具備領(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)其兩者均無法同時對虛假特征（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)了對數(shù)據(jù)背后的虛假特征和偽不變特征的同時建模,；并且通過對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)通過引入一個小型的輔助網(wǎng)絡(luò)對現(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分布外標(biāo)簽預(yù)測效果的干擾,。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：揭開作文自動評分模型的面紗：對準(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*
作文自動評分（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)來評估學(xué)生撰寫的作文,。鑒于目前機(jī)器學(xué)習(xí)模型存在固有的偏見及對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，這種偏見如何發(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發(fā)有效的AES模型提供實(shí)用見解,。為此，我們精心選擇了九種先進(jìn)的AES方法,，并在開源數(shù)據(jù)集上使用七種不同的指標(biāo)評估了它們的性能,，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)計信息，如性別,、英語學(xué)習(xí)者狀況和經(jīng)濟(jì)狀況,。通過廣泛的評估，我們得出非常有趣的結(jié)論：在預(yù)測準(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不同經(jīng)濟(jì)地位的學(xué)生表現(xiàn)出更大的偏見,； 在追求泛化性的過程中,，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,。
研究工作得到了國家重點(diǎn)研發(fā)計劃（2022YFC3303603）,，國家自然科學(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,。
