定慧は受け入れ基準を下げる必要がありますか?ゲーム理論を使用して、最適なレビューと意思決定のメカニズムを探ります
近年、人工知能の分野では、大規模なコンピュータ会議の審査メカニズムに対する批判が高まっています。このすべての背後にある矛盾は、論文著者、会議主催者、査読者の利害が一致していないことに起因しています。
- 論文の著者は自分の論文が学会に受理されることを望んでいます;
- カンファレンスの主催者は評判を高めるためにより質の高い論文を受け取ることを望んでいます会議の内容 (会議の品質);
- レビュー担当者は、過剰なレビュー作業負荷 (レビューのプレッシャー) を避けたいと考えています。
したがって、論文数が大幅に増加した環境下で、会議の質と審査のプレッシャーのバランスをいかに取るかが、三者間の利益のバランスをとるための中心的な課題となります。 。昨年、人工知能分野の学者らは、会議のレビューと意思決定メカニズムを改善する方法について数多くの意見や提案を提出し、これらのアイデアは 23 ページの Google ドキュメントにまとめられました。アイデアの 1 つは非常に興味深いもので、多くの人に認められています:
##ドキュメント リンク: https: //docs.google.com/document/d/1j7Mn2ZkquSzWJ_EzxdXBP3z_JQtrSeUa-CQ0gotAuYw/mobilebasic
このアイデアは、このような直感に反する現象から生じており、この記事ではこれを再投資と呼んでいます。パラドックス (再提出のパラドックス):毎年、多数の論文が拒否されることになります (NeurIPS などの主要な人工知能カンファレンスの採択率は、年間を通じて 30% 未満であることがよくあります) 、そして、これらの論文のほとんどは、わずかな調整を加えて再投稿に参加するか、まったく変更しない場合でも、常に同じ会議または同じレベルの会議で受け入れられます。ほとんどの論文は最終的には受理されるので、再投稿を減らしてより多くの論文を受理できるように、受理基準を下げてみてはいかがでしょうか。これにより、査読者が同じ論文を繰り返し読むことがなくなり、査読のプレッシャーが軽減されます。
#このアイデアは非常に合理的であるように見えますが、この記事の著者は、ゲーム理論モデルを使用して次のことを行うことを提案しています。著者とその会議について説明し、この考えに対して否定的な回答をしましたが、この研究論文はEconomics and Computation (2022)に受理されました。このモデルに基づいて、この記事では、次の問題など、会議の品質とレビューのプレッシャーを比較検討する際の、さまざまなレビューおよび意思決定メカニズムのパフォーマンスについて説明します。最高 優れた許容閾値?
論文の査読者の数を増やす必要がありますか?
- レビューの品質を向上させるメリットは何ですか?
- 著者は論文に対する以前のレビュー コメントも提供する必要がありますか?
- ……
- 紙のリンク: https://arxiv.org/pdf/2303.09020v1.pdf
- #1. モデルの概要
まず、各著者が投稿できる論文を用意します。投稿の各ラウンドで、著者は 2 つの決定のうち 1 つを行います。論文をトップの会議に投稿するか、確実に投稿するか (権威の低い第 2 カテゴリーの会議など) です。 IM カンファレンスに提出される結果は、レビューの仕組みと論文の品質によって決まります:
IM は一定の確率で論文を受理します。 ;
確実に論文が受理されることが保証されますが、そのメリットはわずかです。
- その中で、レビューを承認するかどうかは、レビュー担当者のレビューの意見に完全に依存します。たとえば、承認しきい値を設定し、レビューの平均スコアが以下の場合にのみ承認します。この論文と著者の収入は、再投稿の回数に応じて指数関数的に減少します。
- Ding Conference はレビュー/意思決定メカニズムを約束しており、著者はこのメカニズムに最適な戦略を立てることになります。Ding Conference はレビューと意思決定メカニズムを設計する必要があります。著者の最適な対応戦略に基づく、会議の質とレビューのプレッシャーのバランスを取るための最適なメカニズム。
2. 主な結論
上記のモデリング手法を使用して、この文書ではいくつかのことを導き出します。結論 次のような重要な結論:1) 著者の最適な戦略
#簡略化されたモデル (より複雑なモデルについては原文を参照してください) では、この記事では、次の仮定が行われます: 著者は自分の論文の真の品質を知っており、会議の決定は記憶に残りません (各ラウンドの査読の決定はそのラウンドの査読者の意見にのみ依存します)、そして著者には無制限の再投稿の機会があります。この場合、著者はしきい値最適化戦略を持っています:
- #論文の品質がしきい値よりも高い場合、著者は論文を学術機関に投稿することを選択します。トップレビューであり、どれだけ拒否されたとしても、著者は原稿が承認されるまで再提出することを選択します;
- 論文の品質がしきい値より低い場合、著者はすぐに確実な賭けを選択します。
通常、次の図に示すように、著者の提出しきい値 Θ はカンファレンスの受理しきい値 τ よりも低くなります。
上記の結論は、再投稿のパラドックスを説明するために使用できます。なぜより多くの論文を受け入れても本質的に審査を減らすことができないのかプレッシャー?これは、会議の受理閾値 τ を下げると、同時に著者の投稿閾値 Θ も下がり、それによって質の低い論文の投稿が増えることになるからです。下図に示すように、採択基準値が引き下げられると、これまで第 2 カテゴリーの会議に投稿するために選ばれていた一部の論文 (紫色の領域) が、上位の会議に投稿されるように選ばれるようになります。
2) 会議の質とレビューのプレッシャー
トップ会議のレビュー/意思決定メカニズムは、次のことを行う必要があります。会議の質とレビューのプレッシャーを比較検討しますが、両方を兼ね備えることはできません。
- 会議の質 = 受理されたすべての論文の質の合計
- レビューのプレッシャー = 論文の提出から最終受理まで原稿がレビューされる回数の期待値
承認しきい値を変更すると、会議の質とレビューの圧力の両方が変化します (以下に示すように)。
図は、会議の質 (縦軸) と承認に関するレビューのプレッシャー (横軸) の関係を示しています。しきい値変化曲線、σ はレビューアのノイズの標準偏差です。
次の 3 つの状況では、会議の品質とレビューのプレッシャーの間のより良いトレードオフが発生する可能性があります (同じ会議の品質を達成するには、レビューのプレッシャーを軽減する必要があります):
- レビューの品質が向上—レビュー担当者のノイズが減少;
- #レビューの評判が低い———Sure bet と比較して、トップの収入は低くなります。
- 著者はより近視眼的です。著者の収入は、複数回の再投資で大幅に減少します。
この記事の目的は、論文著者の査読や決定を改善する際に、さまざまなメカニズムによってもたらされるインセンティブを考慮するよう学会に呼びかけることです。さらに興味深い結論については、論文の原文を参照してください。たとえば、論文の受理率に主に影響を与える要因は何ですか?論文の品質について正確な知識を持たない著者にとって最適な戦略は何でしょうか?著者に論文に対する以前のレビューコメントの提供を義務付けることは、会議にどのような影響を及ぼしますか?
もちろん、この記事の理論モデルには、さまざまなレベルで多くの制限があります。たとえば、この記事では、レビューの圧力がレビューの品質に及ぼす否定的なフィードバックの影響と、その影響については考慮していません。著者の収入に対する会議の質の低下、ポジティブフィードバック効果、リジェクトプロセス中に論文の品質は向上しないと考えられるなど。会議の査読システムの議論と改善はここで終わりではありません. ゲームの観点から会議の査読メカニズムを理解することが特に重要です. 興味のある読者は, 論文の原文を閲覧するか, 記事の著者に手紙を書いてください.研究の詳細について話し合います。
以上が定慧は受け入れ基準を下げる必要がありますか?ゲーム理論を使用して、最適なレビューと意思決定のメカニズムを探りますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









従来のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを実現する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優れていると同時に、トレーニング コストを 42.5% 節約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する会社です

Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞台から「涙ながらに」撤退したばかりですが、今日、ボストン・ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン・ダイナミクス社は商用人型ロボットの分野でテスラ社と競争する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 万人以上が視聴しました。古い人が去り、新しい役割が現れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開会式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本当にホラー映画ではないのか?」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に静かに横たわっています。次に続くのは驚くべきことです

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の点で MLP よりも優れています。また、非常に少数のパラメーターを使用して、多数のパラメーターを使用して実行する MLP よりも優れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規模なネットワークと高度な自動化で DeepMind の結果を再現したと述べています。具体的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現定理に基づいているのと同様に、強力な数学的基礎を持っています。以下の図に示すように、KAN は

AI は確かに数学を変えつつあります。最近、この問題に細心の注意を払っている陶哲軒氏が『米国数学協会会報』(米国数学協会会報)の最新号を送ってくれた。 「機械は数学を変えるのか?」というテーマを中心に、多くの数学者が意見を述べ、そのプロセス全体は火花に満ち、ハードコアで刺激的でした。著者には、フィールズ賞受賞者のアクシャイ・ベンカテシュ氏、中国の数学者鄭楽軍氏、ニューヨーク大学のコンピューター科学者アーネスト・デイビス氏、その他業界で著名な学者を含む強力な顔ぶれが揃っている。 AI の世界は劇的に変化しています。これらの記事の多くは 1 年前に投稿されたものです。

Google が推進する JAX のパフォーマンスは、最近のベンチマーク テストで Pytorch や TensorFlow のパフォーマンスを上回り、7 つの指標で 1 位にランクされました。また、テストは最高の JAX パフォーマンスを備えた TPU では行われませんでした。ただし、開発者の間では、依然として Tensorflow よりも Pytorch の方が人気があります。しかし、将来的には、おそらくより大規模なモデルが JAX プラットフォームに基づいてトレーニングされ、実行されるようになるでしょう。モデル 最近、Keras チームは、ネイティブ PyTorch 実装を使用して 3 つのバックエンド (TensorFlow、JAX、PyTorch) をベンチマークし、TensorFlow を使用して Keras2 をベンチマークしました。まず、主流のセットを選択します

テスラのロボット「オプティマス」の最新映像が公開され、すでに工場内で稼働可能となっている。通常の速度では、バッテリー(テスラの4680バッテリー)を次のように分類します:公式は、20倍の速度でどのように見えるかも公開しました - 小さな「ワークステーション」上で、ピッキング、ピッキング、ピッキング:今回は、それがリリースされたハイライトの1つビデオの内容は、オプティマスが工場内でこの作業を完全に自律的に行い、プロセス全体を通じて人間の介入なしに完了するというものです。そして、オプティマスの観点から見ると、自動エラー修正に重点を置いて、曲がったバッテリーを拾い上げたり配置したりすることもできます。オプティマスのハンドについては、NVIDIA の科学者ジム ファン氏が高く評価しました。オプティマスのハンドは、世界の 5 本指ロボットの 1 つです。最も器用。その手は触覚だけではありません

この論文では、自動運転においてさまざまな視野角 (遠近法や鳥瞰図など) から物体を正確に検出するという問題、特に、特徴を遠近法 (PV) 空間から鳥瞰図 (BEV) 空間に効果的に変換する方法について検討します。 Visual Transformation (VT) モジュールを介して実装されます。既存の手法は、2D から 3D への変換と 3D から 2D への変換という 2 つの戦略に大別されます。 2D から 3D への手法は、深さの確率を予測することで高密度の 2D フィーチャを改善しますが、特に遠方の領域では、深さ予測に固有の不確実性により不正確さが生じる可能性があります。 3D から 2D への方法では通常、3D クエリを使用して 2D フィーチャをサンプリングし、Transformer を通じて 3D と 2D フィーチャ間の対応のアテンション ウェイトを学習します。これにより、計算時間と展開時間が増加します。

目標検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認識については、あまり研究されていません。放射状の歪みが大きいため、標準のバウンディング ボックス表現を魚眼カメラに実装するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設計を極/角度表現に探索し、これらの表現を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。
