2023年卒業論文リストの解釈：合格したドラフトに怯えていますか？反論で運命を変えるのは難しいですか？査読者には偏見があるのでしょうか？

また上位が発表されると、喜ぶ人もいれば悲しむ人もいます。

今回の IJCAI 2023 では、合計 4,566 件の全文提出があり、採択率は約 15%です。

質問リンク: https://www.zhihu.com/question/578082970

Zhihu のフィードバック結果から判断すると、全体的なレビューは質 まだまだ満足のいくものではなく（拒否されたことへの憤りもあるかもしれませんが…）、反論の内容も読まずに拒否した査読者もいます。

同じスコアで結末が異なる論文もあります。

一部のネチズンもメタレビューを拒否する理由を投稿しましたが、それらはすべて大きな欠点でした。

しかし、拒絶されて終わりではなく、もっと重要なことは継続することです。

Netizen Lower_Evening_4056 は、画期的な論文であっても何度も拒否されるだろうし、十分に優れていなくても受け入れられる論文もあると考えています。

次に進んで、合理的なレビュー コメントを 振り返ると、自分の作品をさらに高いレベルに改善できることがわかります 。

この審査システムには欠陥があります。さらに重要なのは、拒否を個人的または仕事上の価値の評価結果と見なさないことです。あなたが学生で、アドバイザーがあなたの仕事の質ではなくレビューの結果に基づいてあなたを評価している場合は、アドバイザーとの関係を再考した方がよいかもしれません。

NeurIPS カンファレンスは以前に一貫性実験を実施しました。平均スコアが 5 ～ 6.5 の論文の場合、承認結果は基本的に次のとおりです。はい、それはあなたが会うレビュアーによって異なります。

たとえば、ある人の論文の結果は 9665 でした。その人が 9 点を与えた査読者に会わなかった場合、結果は拒否されるはずですが、その人は偶然にもボールに会いました。そしてレビュー結果を覆しました。

最後に、人工知能研究の発展に貢献したとして論文が受理された研究者の皆様、おめでとうございます!

ここでは、ソーシャル メディアで共有されている受理された論文をいくつか紹介します。

#IJCAI 2023 採択論文

エンドツーエンドのアンチノイズ音声認識におけるマルチタスク学習の勾配補正

ダウンストリームの自動音声認識システム (ASR) では、音声強調学習戦略 (SE) が、ノイズの多い音声信号によって生成されるノイズを効果的に低減できることが証明されています。 2 つのタスクを共同で最適化するタスク学習戦略。

ただし、SE ターゲットを通じて学習された強化された音声は、常に良好な ASR 結果を生み出すわけではありません。

最適化の観点から見ると、適応タスクと適応反応タスクの勾配の間に干渉が発生する場合があり、これによりマルチタスク学習が妨げられ、最終的には適応反応のパフォーマンスの低下につながります。 。

論文リンク: https://arxiv.org/pdf/2302.11362.pdf

この論文では、ノイズに強い音声認識におけるタスク勾配間の干渉問題を解決するための、シンプルで効果的な勾配補償 (GR) 方法を提案します。

具体的には、SE タスクの勾配は、最初に ASR 勾配と鋭角で動的サーフェスに投影され、それらの間の競合を排除し、ASR の最適化を支援します。

さらに、2 つの勾配のサイズは、支配的な ASR タスクが SE 勾配によって誤解されるのを防ぐために適応的に調整されます。

実験結果は、この方法が勾配干渉の問題をより適切に解決できることを示しています。マルチタスク学習ベースラインでは、9.3% を達成し、RATS および CHiME-4 データセットでは 11.1 を達成しました。 % 相対的な単語誤り率 (WER) の減少。

簡潔な論理スキーマを構築するための Tsetlin machine 句のサイズの制約

Tsetlin Machine (TM) はロジックベースの透過的でハードウェアに優しいという重要な利点を持つ機械学習アプローチ。

TM は、ますます多くのアプリケーションでディープ ラーニングの精度と同等かそれを上回っていますが、大規模な文節プーリングでは、多くのリテラル (長い文節) を含む文節が生成され、理解しにくくなる傾向があります。

さらに、句が長くなると、ハードウェア内の句ロジックのスイッチング アクティビティが増加し、消費電力が高くなります。

紙のリンク: https://arxiv.org/abs/2301.08190 ##本稿では、節サイズにソフト制約を設定できる新しい TM 学習法である節サイズ制約学習法 (CSC-TM) を紹介します。

制約で許可されている以上のリテラルが句に含まれると、リテラルは除外されるため、より大きな句は短時間しか表示されません。

CSC-TM を評価するために、研究者らは表形式データ、自然言語テキスト、画像、ボード ゲームに対して分類、クラスタリング、回帰実験を実施しました。

結果は、CSC-TM が最大 80 倍のテキスト削減で精度を維持し、実際に TREC、IMDb、および BBC Sports が文節が短いほど精度が高く、精度がピークに達した後はゆっくりと低下することを示しています。文節のサイズが単一のテキストに近づくにつれて減少します。

この記事では、最終的に CSC-TM の消費電力を分析し、新しい収束特性を取得します。

#DNN 検証の問題: ディープ ニューラル ネットワークへの安全でない入力の計算

ディープ ニューラル ネットワークはますます多くの機能を備えています。これは主に、自動運転など、高レベルのセキュリティを必要とする重要なタスクに使用されますが、最も高度な検証ツールを使用して、DNN が安全でないかどうかを確認できます。一部の属性 (つまり、少なくとも 1 つの安全でない入力構成があるかどうか) については、モデルの「はい/いいえ」出力は、他の目的 (シールド、モデルの選択、トレーニングの改善など) には十分な情報が得られません。

紙のリンク: https://arxiv.org/abs/2301.07068

##この論文では、#DNN-Verification 問題を紹介します。これには、特定のセキュリティ プロパティの違反につながる DNN 入力構成の数を数えることが含まれます。研究者は、この問題の複雑さを分析し、新しいアプローチを提案します。正確な違反数。

問題は P 完全であるため、計算要件を大幅に削減しながら、証明可能に正しい確率限界のカウントを提供する確率的近似法を提案します。

この論文では、セーフティ クリティカルな一連のベンチマーク、近似法の有効性を実証し、制約の厳しさを評価する実験結果も紹介しています。

以上が2023年卒業論文リストの解釈：合格したドラフトに怯えていますか？反論で運命を変えるのは難しいですか？査読者には偏見があるのでしょうか？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。