Международная объединенная конференция по искусственному интеллекту (IJCAI) — главное событие для исследователей, работающих во всех областях ИИ.
Среди специализированных треков по глубокому обучению, обучению с подкреплением, теории игр, логике и другим, IJCAI также проводит специальный трек по ИИ во благо, чтобы изучить, как ИИ может способствовать достижению 17 Целей устойчивого развития Организации Объединенных Наций. Мероприятие этого года стало первым после пандемии Covid-19. Наша команда была рада воспользоваться возможностью встретиться с исследовательским сообществом после столь долгого времени. Мы задокументировали вклад, который привлек наше внимание, в виде серии бумажных пилюль, которые мы суммируем в этом посте.
Генеративные модели
На пути к генеративному моделированию многомерных экстремумов и хвостовой зависимости
Нормализация потоков затрудняет точное представление хвостов многомерных распределений с маргинальными распределениями с тяжелыми хвостами и асимметричной зависимостью от хвостов. Кометные потоки сочетают нормализующие потоки с экстремальными значениями и теорией копул для решения этих проблем.
Гибридный вывод
Нейросимволическая верификация глубоких нейронных сетей
Нейросимволический подход к верификации нейронных сетей использует эталонные сети для представления понятий высокого уровня. Затем они используются в качестве прокси для проверки свойств, выраженных на языке спецификации высокого уровня. Примером такого свойства является то, что самоуправляемому автомобилю необходимо остановиться на красный сигнал светофора.
Вероятностный вывод с алгебраическими и логическими ограничениями
Гибридный вероятностный вывод позволяет выполнять вероятностный вывод с алгебраическими и логическими ограничениями. Такие ограничения регулярно возникают во многих областях применения. Алгоритмическим ядром этого метода является задача интегрирования взвешенной модели, которая в целом является вычислительно сложной. Текущие реализации основаны на решении SMT и различных механизмах интеграции. Рассмотрены и сравнены последние достижения с упором на вычислительную легкость.
Алгоритмическая теория игр
Надежные решения для игр Stackelberg Security с несколькими защитниками
Игры безопасности Штакельберга с участием нескольких защитников используются для стратегических рассуждений в сценариях, в которых группа защитников пытается защитить набор обычных товаров. Несмотря на свою полезность, они обладают неприятным свойством, состоящим в том, что решения (в терминах равновесий Нэша или ядер) очень чувствительны к небольшим возмущениям оценки целей злоумышленниками. Эту проблему можно решить, введя небольшую неопределенность в оценках других игроков.
Создание сети с гомофильными агентами
Сегрегация описывает тенденцию группы, состоящей из членов смешанного типа, разделяться на кластеры однородных типов. Чтобы лучше понять это явление, рассматриваются игры по созданию гетерогенных сетей с гомофильными (предпочтение однотипных связей) или предвзятыми агентами (неблагоприятными для многотипных связей). Важным наблюдением является то, что начальные условия, по-видимому, играют важную роль, когда создание края требует больших затрат. Сегрегация очень неблагоприятна во многих сценариях реального мира, и это может указывать на путь отхода за счет первоначальных инвестиций в интеграцию.
Сложность утвержденных победителей
Рассмотрено голосование с несколькими победителями на основе одобрения с метрикой между кандидатами. Цель состоит в том, чтобы вычислить коллективный выбор, который сводит к минимуму недовольство избирателей. Победителем голосования является комитет из k кандидатов, у которого расстояние от комитета (максимальное/минимальное/суммарное среди комитетов) до голосов (максимальное (эгалитарное)/суммарное (утилитарное) среди голосов) минимально. Авторы исследуют проблему при возможных правилах выбора с точки зрения алгоритмической и параметризованной сложности, а также через призму аппроксимируемости. В целом они представляют собой достаточно полное представление о ландшафте.
Теория глубокого обучения
Фильтрация тесселяции сетей ReLu
Сети Relu определяют кусочно-линейные функции на мозаиках входного пространства. Авторы анализируют сложность формы поверхности решений нейронной сети relu. Основным вкладом является структура для декомпозиции сети вдоль определенного слоя на часть сложности тесселяции и формы, которая представлена нейронной сетью с фильтрацией тесселяции, специальным подклассом сетей relu, который также указан в статье.
Обработка естественного языка
Внешние знания могут быть введены в предварительно обученные языковые модели (в данном случае конкретно BERT) путем обучения дополнительной языковой модели различным задачам, связанным со словарем. Эта стратегия может привести к лучшему представлению и должна быть особенно полезна для предложений с большим количеством жаргона.
Первоначально опубликовано на https://transferlab.appliedai.de 28 сентября 2022 г.
