AMiner会议周刊第4期丨ACL2021截稿倒计时7天，看Sergey Levine大神如何收割各大会议论文- 大数跨境

首页

AMiner会议周刊第4期丨ACL2021截稿倒计时7天，看Sergey Levine大神如何收割各大会议论文

AMiner AI

2021-01-25

导读：本次增加了KDD 2021、SIGIR 2021两个会议截稿倒计时，更多内容查看文章。

AMiner会议周刊旨在帮助大家了解人工智能领域的学术会议最新动态。

近期顶会日程提醒

论文截稿时间（东八区时间）:

SIGGRAPH 2021：2021年1月29日 06:00:00
ACL2021 ：2021年2月2日 19:59:59
ICML2021：2021年2月4日 19:59:59
KDD 2021：2021年2月9日 19:59:59
SIGIR 2021：2021年2月10日 19:59:59

即将开始的会议:

AAAI 2021:2021年2月2日-9日

本周有趣会议数据大放送

ICLR2021收录论文中， UC 伯克利助理教授 Sergey Levine 以 16 篇接收论文数量名列第一，但是在过去的ICLR2020、ICLR2019和ICLR2018三年中，Sergey Levine分别以13篇、12篇和13篇收录论文独占鳌头。

另外值得一题的是，Sergey Levine还在 NeurIPS 2020、 NeurIPS 2019两年会议中都以12篇入选论文排名第一。2020年，Sergey Levine一共发表文章72篇，2019年更是高达95篇。

Sergey Levine个人主页：

https://www.aminer.cn/profile/sergey-levine/53f42828dabfaeb22f3ce756

会议论文推荐

1.论文名称：Prototypical Contrastive Learning of Unsupervised Representations

论文链接：https://www.aminer.cn/pub/5eba73be91e01108d77cf8a1/?conf=iclr2021

所属会议：ICLR2020

推荐理由：本文介绍了原型对比学习，这是一种无监督的表示学习方法，解决了流行的实例对比学习的根本局限性。PCL将数据的语义结构隐式编码到学习的嵌入空间中，避免网络仅仅依靠低级线索来解决无监督学习任务。具体来说，作者引入原型作为潜变量，以帮助在期望-最大化框架（Expectation-Maximization framework）中找到网络参数的最大似然估计。作者迭代执行E步骤，通过聚类来寻找原型的分布，而M步骤则通过对比学习来优化网络。该研究提出了ProtoNCE loss，这是InfoNCE loss的一个通用版本，通过鼓励表征更接近其分配的原型来进行对比学习。PCL在多个无监督的表征学习基准上取得了最先进的结果，其中在低资源传输任务中的准确性提高了>10%。

2.论文名称：Meta-learning framework with applications to zero-shot time-series forecasting

论文链接：https://www.aminer.cn/pub/5e4129b13a55ac9f8f89e1a4/?conf=aaai2021

所属会议：AAAI2021

推荐理由：元学习方法能否从不同的数据集中发现处理时间序列( time-series, TS)的通用方法，从而提高对来自不同数据集的新TS的泛化能力？该工作提供了上述问题的积极证据。其中，作者通过理论分析进一步确定了N-BEATS（一个最近的神经TS预测模型）内的元学习适应机制。该工作中的元学习理论预测，N-BEATS会根据给定的TS输入，迭代生成其任务特定参数的子集，从而逐步扩大架构的表现力。作者的实验结果证明了元学习对于成功进行TS源零点预测的重要性，支持了在TS源数据集上训练一个神经网络并将其部署在不同的目标TS数据集上无需重新训练。

3.论文名称：DeepFakesON-Phys: DeepFakes Detection based on Heart Rate Estimation

论文链接：https://www.aminer.cn/pub/5f76fb6691e011f31b980677?conf=aaai2021

所属会议：AAAI2021

推荐理由：这项工作引入了一种基于生理测量的新型DeepFake检测框架。作者考虑使用rPPG（remote photoplethysmography）方法分析视频序列，寻找人体皮肤中微妙的颜色变化，揭示组织下人体血液的存在。在这项工作中，作者研究了rPPG对DeepFake视频检测的有效程度。该研究提出的名为DeepFakesON-Phys的假货检测器采用卷积注意力网络（Convolutional Attention Networ，简称CAN），从视频帧中提取空间和时间信息，分析并结合这两个来源，以更好地检测假视频。上述模型在两个流行的公共数据集（Celeb-DF and DFDC）上的AUC（Area Under the Curve，曲线下面积）都超过了98%，证明了基于生理测量的假货检测器在检测最新的DeepFake视频上的成功。

4.论文名称：Reasoning Like Human: Hierarchical Reinforcement Learning for Knowledge Graph Reasoning

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27720d1/?conf=ijcai2020

所属会议：IJCAI2020

推荐理由：知识图（Knowledge Graphs）通常存在不完整的问题。一种流行的知识图完整方法是利用多跳推理在连接一对实体的其他路径上发现的信息来推断缺失的知识。然而，因为推理过程中通常会遇到多重语义问题，即一个关系或一个实体具有多重含义，多跳推理仍然具有挑战性。为了应对这种情况，作者提出了一种新型的层次强化学习框架，从知识图谱中自动学习推理链。该框架的灵感来自于人类处理认知模糊案例的层次结构。整个推理过程被分解为一个层次的两级强化学习策略，用于编码历史信息和学习结构化的行动空间。因此，该工作在处理多语义问题上更加可行和自然。