


Sollte Dinghui die Akzeptanzschwelle senken? Nutzen Sie die Spieltheorie, um optimale Überprüfungs- und Entscheidungsmechanismen zu erforschen
In den letzten Jahren wurde im Bereich der künstlichen Intelligenz zunehmend Kritik am Begutachtungsmechanismus großer Computerkonferenzen geäußert. Der Widerspruch dahinter ergibt sich aus den widersprüchlichen Interessen der Papierautoren, Konferenzorganisatoren und Gutachter:
- Der Der Autor des Beitrags hofft, dass seine Beiträge von der Konferenz angenommen werden Manuskriptdruck).
- Daher ist die Frage, wie man Konferenzqualität und Begutachtungsdruck in einem Umfeld, in dem die Anzahl der Beiträge deutlich gestiegen ist, in Einklang bringen kann, die Kernfrage, um einen Interessenausgleich zwischen den drei Parteien zu erreichen. Letztes Jahr brachten Wissenschaftler aus dem Bereich der künstlichen Intelligenz zahlreiche Meinungen und Vorschläge zur Verbesserung des Konferenzbewertungs- und Entscheidungsmechanismus ein. Diese Ideen wurden in einem 23-seitigen Google-Dokument zusammengefasst. Eine der Ideen ist sehr interessant und wurde von vielen Menschen anerkannt:
Dokumentenlink: https://docs.google.com/document/d/1j7Mn2ZkquSzWJ_EzxdXBP3z_JQtrSeUa-CQ0gotAuYw/mobilebas ic
Jedes Jahr wird eine große Anzahl von Beiträgen abgelehnt (die Akzeptanzrate von Top-Konferenzen für künstliche Intelligenz wie NeurIPS ist immer hoch). unter 30 %), werden die meisten dieser Beiträge mit nur geringfügigen Anpassungen oder gar keinen Änderungen erneut eingereicht und schließlich von derselben Konferenz oder Konferenzen auf demselben Niveau angenommen. Da die meisten Arbeiten irgendwann angenommen werden, warum nicht die Annahmeschwelle senken, damit nach weniger Wiedereinreichungen mehr Arbeiten angenommen werden können? Dadurch wird verhindert, dass die gleiche Arbeit wiederholt von Gutachtern gelesen wird, und der Gutachterdruck wird verringert.
Obwohl diese Idee sehr vernünftig erscheint, schlug der Autor dieses Artikels vor, ein spieltheoretisches Modell zu verwenden, um die Interaktion zwischen dem Autor und der Konferenz zu beschreiben, und gab eine negative Antwort auf diese Idee Forschungsarbeit wurde von Economics and Computation akzeptiert (2022). Unter diesem Modell wird in diesem Artikel die Leistung verschiedener Überprüfungs- und Entscheidungsmechanismen bei der Abwägung von Besprechungsqualität und Überprüfungsdruck erörtert, beispielsweise die folgenden Fragen:
Wie ermittelt man die optimale Akzeptanzschwelle?
Sollten wir die Anzahl der Gutachter einer Arbeit erhöhen?
- Welche Vorteile bringt eine Verbesserung der Bewertungsqualität?
- Sollte der Autor auch frühere Rezensionskommentare für die Arbeit abgeben? ... Der Manuskriptprozess ist als wiederholtes Spiel modelliert und der spezifische Prozess ist wie folgt:
- Zunächst muss jeder Autor einen Aufsatz einreichen. In jeder Einreichungsrunde trifft der Autor eine von zwei Entscheidungen: Er reicht die Arbeit bei einer Top-Konferenz oder bei einer sicheren Wette (z. B. einer weniger prestigeträchtigen Konferenz der zweiten Kategorie) ein. Die der Top-Konferenz vorgelegten Ergebnisse und die sichere Wette hängen vom Überprüfungsmechanismus und der Qualität des Papiers ab:
- Ting hat eine gewisse Wahrscheinlichkeit, das Papier anzunehmen, und sobald es angenommen wird, erhält der Autor einen größeren Gewinn;
- Sure Bet garantiert, dass das Papier sicher erhalten wird, jedoch mit geringeren Vorteilen.
Unter anderem hängt die Entscheidungsfindung bei der Bewertung vollständig von der Bewertungsmeinung des Gutachters ab. Wenn Sie beispielsweise einen Annahmeschwellenwert festlegen, wird die Arbeit nur dann akzeptiert, wenn die durchschnittliche Bewertungspunktzahl höher als der Schwellenwert ist Das Einkommen des Autors erhöht sich mit der erneuten Einreichung. Die Häufigkeit verringert sich exponentiell.
Die Ding-Konferenz verspricht einen Überprüfungs-/Entscheidungsmechanismus, und der Autor wird die beste Strategie für diesen Mechanismus entwickeln, während die Ding-Konferenz die beste Reaktionsstrategie für den Autor berücksichtigen und einen Mechanismus entwerfen muss, der einen Ausgleich schafft Die Qualität des Meetings und der Überprüfungsdruck bestimmen den optimalen Mechanismus.
2. Hauptschlussfolgerungen
- Unter Verwendung der oben genannten Modellierungsmethode zieht dieses Papier einige wichtige Schlussfolgerungen, darunter:
- Wenn die Qualität des Papiers über dem Schwellenwert liegt, entscheidet sich der Autor dafür, das Papier an die Spitze einzureichen, und egal wie oft es abgelehnt wird ;
- Wenn die Qualität der Arbeit unter dem Schwellenwert liegt, wählt der Autor sofort eine sichere Wette aus.
- Konferenzqualität = die Summe der Qualität aller angenommenen Beiträge
- Begutachtungsdruck = die erwartete Häufigkeit, mit der ein Beitrag von der Einreichung bis zur endgültigen Annahme begutachtet wird
- Geringere Reputation von „Daumen hoch“ – Im Vergleich zu „Sichere Wette“ bringt „Daumen hoch“ geringere Einnahmen;
- Mehr kurzfristige Autoreneinkommen – Größere Rabatte bei mehreren Wiederholungen.
- 3. Schlussfolgerung Dieser Artikel soll akademische Konferenzen dazu aufrufen, die Anreize zu berücksichtigen, die verschiedene Mechanismen für Papierautoren bieten, wenn sie die Überprüfungs- und Entscheidungsmechanismen verbessern. Weitere interessante Schlussfolgerungen finden Sie im Originaltext von Von welchen Faktoren wird das Papier, wie z. B. die Papierakzeptanzrate, hauptsächlich beeinflusst? Was ist die optimale Strategie für Autoren, die die Qualität ihrer Arbeit nicht genau kennen? Welchen Einfluss hat die Verpflichtung von Autoren, frühere Rezensionskommentare zu einem Artikel abzugeben, auf die Konferenz?
1) Die optimale Strategie des Autors
In einem vereinfachten Modell (komplexere Modelle finden Sie im Originaltext) geht dieser Artikel von folgenden Annahmen aus: Der Autor kennt die wahre Qualität seiner Arbeit und die Entscheidungsfindung. Die Gestaltung der Konferenz ist nicht denkwürdig (die Entscheidung jeder Begutachtungsrunde hängt nur von den Meinungen der Gutachter in dieser Runde ab), und der Autor hat unbegrenzte Möglichkeiten zur erneuten Einreichung. In diesem Fall hat der Autor eine optimale Strategie für den Schwellenwert:
Normalerweise ist die Einreichungsschwelle Θ des Autors niedriger als die Akzeptanzschwelle τ der Konferenz, wie in der Abbildung unten dargestellt.
Die obige Schlussfolgerung kann zur Erklärung des Wiedervorlageparadoxons verwendet werden: Warum verringert die Annahme weiterer Beiträge den Begutachtungsdruck nicht wesentlich? Dies liegt daran, dass eine Senkung der Akzeptanzschwelle τ der Konferenz gleichzeitig die Einreichungsschwelle Θ der Autoren senkt und dadurch mehr Einreichungen minderwertiger Beiträge anzieht. Wie in der folgenden Abbildung dargestellt, werden bei einer Senkung der Annahmeschwelle einige Beiträge (lila Bereich), die zuvor für die Einreichung bei der Konferenz der zweiten Kategorie ausgewählt wurden, nun für die Einreichung bei der obersten Konferenz ausgewählt.
2) Besprechungsqualität und Überprüfungsdruck
Der Überprüfungs-/Entscheidungsmechanismus der Konferenz muss die Besprechungsqualität und den Überprüfungsdruck abwägen, und die beiden können nicht beides haben.
Die Änderung der Annahmeschwelle wird ebenfalls durchgeführt Ändern Sie die Besprechungsqualität und den Überprüfungsdruck (wie unten gezeigt).
Das Bild zeigt die Änderungskurve der Besprechungsqualität (Ordinate) und des Bewertungsdrucks (Abszisse) in Bezug auf die Akzeptanzschwelle, σ ist die Standardabweichung des Prüferrauschens.
Die folgenden drei Situationen können zu einem besseren Kompromiss zwischen Konferenzqualität und Überprüfungsdruck führen (weniger Überprüfungsdruck ist erforderlich, um die gleiche Konferenzqualität zu erreichen): niedriger;
Natürlich weist das theoretische Modell dieses Artikels viele Einschränkungen auf verschiedenen Ebenen auf: Beispielsweise berücksichtigt dieser Artikel nicht den negativen Feedbackeffekt des Rezensionsdrucks auf die Rezensionsqualität und den positiven Feedbackeffekt der Konferenzqualität auf das Autoreneinkommen und geht davon aus, dass die Qualität des Papiers während des Ablehnungsprozesses usw. nicht verbessert wird. Die Diskussion und Verbesserung des Konferenz-Peer-Review-Systems wird hier nicht enden. Es ist besonders wichtig, den Konferenz-Review-Mechanismus aus einer Spielperspektive zu verstehen. Interessierte Leser können sich gerne den Originaltext des Artikels ansehen oder an den Autor des Artikels schreiben um weitere Forschungsdetails zu besprechen.
Das obige ist der detaillierte Inhalt vonSollte Dinghui die Akzeptanzschwelle senken? Nutzen Sie die Spieltheorie, um optimale Überprüfungs- und Entscheidungsmechanismen zu erforschen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Stellen Sie sich ein Modell der künstlichen Intelligenz vor, das nicht nur die Fähigkeit besitzt, die traditionelle Datenverarbeitung zu übertreffen, sondern auch eine effizientere Leistung zu geringeren Kosten erzielt. Dies ist keine Science-Fiction, DeepSeek-V2[1], das weltweit leistungsstärkste Open-Source-MoE-Modell, ist da. DeepSeek-V2 ist ein leistungsstarkes MoE-Sprachmodell (Mix of Experts) mit den Merkmalen eines wirtschaftlichen Trainings und einer effizienten Inferenz. Es besteht aus 236B Parametern, von denen 21B zur Aktivierung jedes Markers verwendet werden. Im Vergleich zu DeepSeek67B bietet DeepSeek-V2 eine stärkere Leistung, spart gleichzeitig 42,5 % der Trainingskosten, reduziert den KV-Cache um 93,3 % und erhöht den maximalen Generierungsdurchsatz auf das 5,76-fache. DeepSeek ist ein Unternehmen, das sich mit allgemeiner künstlicher Intelligenz beschäftigt

Anfang dieses Monats schlugen Forscher des MIT und anderer Institutionen eine vielversprechende Alternative zu MLP vor – KAN. KAN übertrifft MLP in Bezug auf Genauigkeit und Interpretierbarkeit. Und es kann MLP, das mit einer größeren Anzahl von Parametern ausgeführt wird, mit einer sehr kleinen Anzahl von Parametern übertreffen. Beispielsweise gaben die Autoren an, dass sie KAN nutzten, um die Ergebnisse von DeepMind mit einem kleineren Netzwerk und einem höheren Automatisierungsgrad zu reproduzieren. Konkret verfügt DeepMinds MLP über etwa 300.000 Parameter, während KAN nur etwa 200 Parameter hat. KAN hat eine starke mathematische Grundlage wie MLP und basiert auf dem universellen Approximationssatz, während KAN auf dem Kolmogorov-Arnold-Darstellungssatz basiert. Wie in der folgenden Abbildung gezeigt, hat KAN

Boston Dynamics Atlas tritt offiziell in die Ära der Elektroroboter ein! Gestern hat sich der hydraulische Atlas einfach „unter Tränen“ von der Bühne der Geschichte zurückgezogen. Heute gab Boston Dynamics bekannt, dass der elektrische Atlas im Einsatz ist. Es scheint, dass Boston Dynamics im Bereich kommerzieller humanoider Roboter entschlossen ist, mit Tesla zu konkurrieren. Nach der Veröffentlichung des neuen Videos wurde es innerhalb von nur zehn Stunden bereits von mehr als einer Million Menschen angesehen. Die alten Leute gehen und neue Rollen entstehen. Das ist eine historische Notwendigkeit. Es besteht kein Zweifel, dass dieses Jahr das explosive Jahr der humanoiden Roboter ist. Netizens kommentierten: Die Weiterentwicklung der Roboter hat dazu geführt, dass die diesjährige Eröffnungsfeier wie Menschen aussieht, und der Freiheitsgrad ist weitaus größer als der von Menschen. Aber ist das wirklich kein Horrorfilm? Zu Beginn des Videos liegt Atlas ruhig auf dem Boden, scheinbar auf dem Rücken. Was folgt, ist atemberaubend

Die von Google geförderte Leistung von JAX hat in jüngsten Benchmark-Tests die von Pytorch und TensorFlow übertroffen und belegt bei 7 Indikatoren den ersten Platz. Und der Test wurde nicht auf der TPU mit der besten JAX-Leistung durchgeführt. Obwohl unter Entwicklern Pytorch immer noch beliebter ist als Tensorflow. Aber in Zukunft werden möglicherweise mehr große Modelle auf Basis der JAX-Plattform trainiert und ausgeführt. Modelle Kürzlich hat das Keras-Team drei Backends (TensorFlow, JAX, PyTorch) mit der nativen PyTorch-Implementierung und Keras2 mit TensorFlow verglichen. Zunächst wählen sie eine Reihe von Mainstream-Inhalten aus

KI verändert tatsächlich die Mathematik. Vor kurzem hat Tao Zhexuan, der diesem Thema große Aufmerksamkeit gewidmet hat, die neueste Ausgabe des „Bulletin of the American Mathematical Society“ (Bulletin der American Mathematical Society) weitergeleitet. Zum Thema „Werden Maschinen die Mathematik verändern?“ äußerten viele Mathematiker ihre Meinung. Der gesamte Prozess war voller Funken, knallhart und aufregend. Der Autor verfügt über eine starke Besetzung, darunter der Fields-Medaillengewinner Akshay Venkatesh, der chinesische Mathematiker Zheng Lejun, der NYU-Informatiker Ernest Davis und viele andere bekannte Wissenschaftler der Branche. Die Welt der KI hat sich dramatisch verändert. Viele dieser Artikel wurden vor einem Jahr eingereicht.

Die Zielerkennung ist ein relativ ausgereiftes Problem in autonomen Fahrsystemen, wobei die Fußgängererkennung einer der ersten Algorithmen ist, die eingesetzt werden. In den meisten Arbeiten wurde eine sehr umfassende Recherche durchgeführt. Die Entfernungswahrnehmung mithilfe von Fischaugenkameras für die Rundumsicht ist jedoch relativ wenig untersucht. Aufgrund der großen radialen Verzerrung ist es schwierig, die standardmäßige Bounding-Box-Darstellung in Fischaugenkameras zu implementieren. Um die obige Beschreibung zu vereinfachen, untersuchen wir erweiterte Begrenzungsrahmen-, Ellipsen- und allgemeine Polygondesigns in Polar-/Winkeldarstellungen und definieren eine mIOU-Metrik für die Instanzsegmentierung, um diese Darstellungen zu analysieren. Das vorgeschlagene Modell „fisheyeDetNet“ mit polygonaler Form übertrifft andere Modelle und erreicht gleichzeitig 49,5 % mAP auf dem Valeo-Fisheye-Kameradatensatz für autonomes Fahren

Das neueste Video von Teslas Roboter Optimus ist veröffentlicht und er kann bereits in der Fabrik arbeiten. Bei normaler Geschwindigkeit sortiert es Batterien (Teslas 4680-Batterien) so: Der Beamte hat auch veröffentlicht, wie es bei 20-facher Geschwindigkeit aussieht – auf einer kleinen „Workstation“, pflücken und pflücken und pflücken: Dieses Mal wird es freigegeben. Eines der Highlights Der Vorteil des Videos besteht darin, dass Optimus diese Arbeit in der Fabrik völlig autonom und ohne menschliches Eingreifen während des gesamten Prozesses erledigt. Und aus Sicht von Optimus kann es auch die krumme Batterie aufnehmen und platzieren, wobei der Schwerpunkt auf der automatischen Fehlerkorrektur liegt: In Bezug auf die Hand von Optimus gab der NVIDIA-Wissenschaftler Jim Fan eine hohe Bewertung ab: Die Hand von Optimus ist der fünffingrige Roboter der Welt am geschicktesten. Seine Hände sind nicht nur taktil

In diesem Artikel wird das Problem der genauen Erkennung von Objekten aus verschiedenen Blickwinkeln (z. B. Perspektive und Vogelperspektive) beim autonomen Fahren untersucht, insbesondere wie die Transformation von Merkmalen aus der Perspektive (PV) in den Raum aus der Vogelperspektive (BEV) effektiv ist implementiert über das Modul Visual Transformation (VT). Bestehende Methoden lassen sich grob in zwei Strategien unterteilen: 2D-zu-3D- und 3D-zu-2D-Konvertierung. 2D-zu-3D-Methoden verbessern dichte 2D-Merkmale durch die Vorhersage von Tiefenwahrscheinlichkeiten, aber die inhärente Unsicherheit von Tiefenvorhersagen, insbesondere in entfernten Regionen, kann zu Ungenauigkeiten führen. Während 3D-zu-2D-Methoden normalerweise 3D-Abfragen verwenden, um 2D-Features abzutasten und die Aufmerksamkeitsgewichte der Korrespondenz zwischen 3D- und 2D-Features über einen Transformer zu lernen, erhöht sich die Rechen- und Bereitstellungszeit.
