Interpretation der Liste der Abschlussarbeiten 2023: Haben Sie Angst vor dem erfolgreichen Entwurf? Ist es schwierig, das Schicksal durch Widerlegung zu ändern? Sind die Gutachter voreingenommen?

Wenn die Ranglisten wieder veröffentlicht werden, werden einige Leute glücklich und andere traurig sein.

Für IJCAI 2023 gingen insgesamt 4566 Volltexteinreichungen ein, mit einer Annahmequote von etwa 15 %

# 🎜🎜## ## 🎜## 🎜🎜# Den Feedback-Ergebnissen zu Zhihu nach zu urteilen, ist die Gesamtqualität der Rezension immer noch unbefriedigend (es kann auch an der Abneigung liegen, abgelehnt zu werden ...), und einige Rezensenten gaben die Rezension sogar ab, ohne den Inhalt der Gegenargumentation zu lesen . Abgelehnt. Es gibt auch Arbeiten mit der gleichen Punktzahl, aber unterschiedlichen Enden.

Einige Internetnutzer haben auch Gründe für die Ablehnung der Meta-Rezension gepostet , Alles große Mängel.

Aber Ablehnung ist nicht das Ende, wichtiger ist, weiterzumachen.

Netizen Lower_Evening_4056 glaubt, dass selbst wegweisende Papiere oft abgelehnt werden und einige Papiere akzeptiert werden können, auch wenn sie nicht herausragend genug sind.

Wenn Sie weitermachen und

auf diese vernünftigen Bewertungskommentare zurückblicken, werden Sie feststellen, dass Ihre Arbeit noch verbessert werden kann .

Das Bewertungssystem weist Mängel auf

, und was noch wichtiger ist: Betrachten Sie eine Ablehnung nicht als Bewertungsergebnis Ihres persönlichen oder beruflichen Wertes . Wenn Sie Student sind und Ihr Betreuer Sie anhand der Ergebnisse Ihrer Bewertungen und nicht anhand der Qualität Ihrer Arbeit beurteilt, möchten Sie möglicherweise Ihre Beziehung zu Ihrem Betreuer überdenken.

Die NeurIPS-Konferenz hat zuvor Konsistenzexperimente mit einer durchschnittlichen Punktzahl zwischen 5 und 6,5 durchgeführt,# 🎜 🎜#Das Akzeptanzergebnis ist grundsätzlich zufällig und hängt von dem Gutachter ab, den Sie treffen

. Zum Beispiel ist das Ergebnis der Arbeit einer Person 9665. Wenn sie den Gutachter, der ihr 9 Punkte gegeben hat, nicht trifft, muss das Ergebnis abgelehnt werden, aber er hat es einfach Zufällig traf ich Bole und änderte das Bewertungsergebnis.

Abschließend herzlichen Glückwunsch an die Forscher, die ihre Arbeiten angenommen haben, weil sie dazu beitragen, die Entwicklung der Forschung im Bereich der künstlichen Intelligenz voranzutreiben!

Nachfolgend finden Sie einige akzeptierte Beiträge, die in den sozialen Medien geteilt werden.

IJCAI 2023 Accepted PapersGradientenkorrektur des Multitask-Lernens bei der End-to-End-Spracherkennung gegen Lärm

Im nachgeschalteten automatischen Spracherkennungssystem (ASR) ist die Sprachverbesserungs-Lernstrategie (SE) nachweislich in der Lage, den Lärm effektiv zu reduzieren Das durch das verrauschte Sprachsignal erzeugte System übernimmt eine Multitask-Lernstrategie, die die beiden Aufgaben gemeinsam optimiert.

Die durch SE-Ziele erlernte verbesserte Sprache führt jedoch nicht immer zu guten ASR-Ergebnissen.

Aus Sicht der Optimierung gibt es manchmal Interferenzen zwischen den Gradienten der adaptiven Aufgabe und der adaptiven Reaktionsaufgabe, die das Multitasking-Lernen behindern und schließlich zum Selbst führen - Die adaptive Reaktionsleistung ist nicht optimal.

Papierlink: ​https://arxiv.org/pdf/2302.11362.pdf​

In diesem Artikel wird eine einfache und effektive Methode zur Gradientenkompensation (GR) vorgeschlagen, um das Interferenzproblem zwischen Aufgabengradienten bei der geräuschrobusten Spracherkennung zu lösen.

Insbesondere wird der Gradient der SE-Aufgabe zunächst in einem spitzen Winkel zum ASR-Gradienten auf eine dynamische Oberfläche projiziert, um den Konflikt zwischen ihnen zu beseitigen und die ASR-Optimierung zu unterstützen.

Zusätzlich werden die Größen der beiden Gradienten adaptiv angepasst, um zu verhindern, dass die dominante ASR-Aufgabe durch den SE-Gradienten in die Irre geführt wird.

Experimentelle Ergebnisse zeigen, dass diese Methode das Problem der Gradienteninterferenz auf der Basislinie des Multitask-Lernens besser lösen kann, was bei RATS und CHiME-4 erreicht wurde Reduzierung der relativen Wortfehlerrate (WER) um 9,3 % bzw. 11,1 %.

Größe der Tsetlin-Maschinenklausel einschränken, um ein prägnantes logisches Muster zu erstellen

#🎜🎜 # Die Tsetlin Machine(TM) ist ein logikbasierter maschineller Lernansatz mit den Hauptvorteilen Transparenz und Hardwarefreundlichkeit.

Während TM in immer mehr Anwendungen die Genauigkeit von Deep Learning erreicht oder übertrifft, führt das Pooling großer Klauseln dazu, dass Sätze mit vielen Literalen (lange Klauseln) entstehen sie weniger verständlich.

Darüber hinaus erhöhen längere Klauseln die Schaltaktivität der Klausellogik in der Hardware, was zu einem höheren Stromverbrauch führt.

Papierlink: https://arxiv.org/abs/2301.08190​#🎜 🎜 #

In diesem Artikel wird eine neue TM-Lernmethode vorgestellt, nämlich die Klausel-Lernmethode mit eingeschränkter Klauselgröße (CSC-TM), mit der die Klauselgröße weiche Einschränkungen festlegen kann.

Sobald eine Klausel mehr Literale enthält, als die Einschränkung zulässt, werden Literale ausgeschlossen, sodass größere Klauseln nur kurz angezeigt werden.

Um CSC-TM zu bewerten, führten die Forscher Klassifizierungs-, Clustering- und Regressionsexperimente mit tabellarischen Daten, Texten in natürlicher Sprache, Bildern und Brettspielen durch.

Die Ergebnisse zeigen, dass CSC-TM die Genauigkeit mit bis zu 80-facher Textreduzierung beibehält. Tatsächlich haben TREC, IMDb und BBC Sports kürzere Klauseln, die umso genauer sind. Je höher Je höher die Genauigkeit, desto höher die Genauigkeit und nimmt dann langsam ab, sobald sich die Satzgröße einem einzelnen Text nähert.

Abschließend analysiert der Artikel den Stromverbrauch von CSC-TM und ermittelt neue Konvergenzeigenschaften.

#DNN-Verifizierungsproblem: Berechnung unsicherer Eingaben in tiefe neuronale Netze # 🎜🎜# Tiefe neuronale Netze werden zunehmend für kritische Aufgaben eingesetzt, die ein hohes Maß an Sicherheit erfordern, wie beispielsweise autonomes Fahren, obwohl mit modernsten Verifizierern überprüft werden kann, ob DNNs unsicher sind:

#🎜 🎜#

Angesichts einiger Eigenschaften (z. B. ob mindestens eine unsichere Eingabekonfiguration vorhanden ist) ist die Ja/Nein-Ausgabe des Modells für andere Zwecke nützlich (z. B. Abschirmung, Modellauswahl oder Training). Verbesserung) Nicht genügend Informationen.

Papierlink: https://arxiv.org/abs/2301.07068​#🎜 🎜 #

In diesem Artikel wird das #DNN-Verifizierungsproblem vorgestellt, bei dem die Anzahl der DNN-Eingabekonfigurationen gezählt wird, die zur Verletzung einer bestimmten Sicherheitseigenschaft führen. Die Forscher analysierten Berücksichtigen Sie die Komplexität des Problems und schlagen Sie eine neue Methode vor, die die genaue Anzahl der Verstöße zurückgibt.

Da das Problem P-vollständig ist, schlagen wir eine stochastische Approximationsmethode vor, die eine nachweislich korrekte Zählung der Wahrscheinlichkeitsgrenze liefert und gleichzeitig den Rechenaufwand erheblich reduziert.

Das Papier präsentiert außerdem eine Reihe sicherheitskritischer Benchmarks, experimentelle Ergebnisse, die die Wirksamkeit der Näherungsmethode demonstrieren und die Strenge der Einschränkungen bewerten.

Das obige ist der detaillierte Inhalt vonInterpretation der Liste der Abschlussarbeiten 2023: Haben Sie Angst vor dem erfolgreichen Entwurf? Ist es schwierig, das Schicksal durch Widerlegung zu ändern? Sind die Gutachter voreingenommen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!