Dinghui는 허용 기준을 낮춰야 할까요? 게임 이론을 사용하여 최적의 검토 및 의사결정 메커니즘 탐색
최근 몇 년 동안 인공지능 분야에서는 대규모 컴퓨터 회의의 심사 메커니즘에 대한 비판이 점점 더 많아졌습니다. 이 모든 뒤에 숨은 모순은 논문 저자, 회의 주최자 및 심사자의 일관되지 않은 관심에서 비롯됩니다.
- The 논문 저자는 자신의 논문이 컨퍼런스에서 승인되기를 바랍니다.
- 컨퍼런스 주최자는 컨퍼런스의 명성(컨퍼런스 품질)을 높이기 위해 더 높은 품질의 논문을 수용하기를 희망합니다.
- 리뷰어는 과도한 리뷰 작업을 피하기를 바랍니다. 원고 압력).
따라서 논문 수가 크게 늘어난 환경에서 어떻게 회의 품질과 검토 압력의 균형을 맞추느냐가 3자 이해관계의 균형을 이루기 위한 핵심 문제입니다. 작년에 인공지능 분야의 학자들은 회의 검토 및 의사결정 메커니즘을 개선하는 방법에 대한 수많은 의견과 제안을 23페이지 분량의 Google 문서에 요약했습니다. 아이디어 중 하나는 매우 흥미롭고 많은 사람들이 인정했습니다.
문서 링크: https://docs.google.com/document/d/1j7Mn2ZkquSzWJ_EzxdXBP3z_JQtrSeUa-CQ0gotAuYw/mobilebasic
이 아이디어는 이 기사에서 재제출 역설이라고 부르는 반직관적인 현상에서 비롯됩니다.
매년 수많은 논문이 거부됩니다(NeurIPS와 같은 최고의 인공 지능 컨퍼런스의 승인률은 항상 30% 미만), 이러한 논문의 대부분은 약간만 수정하거나 전혀 변경하지 않고 다시 제출되며 결국 동일한 컨퍼런스 또는 동일한 수준의 컨퍼런스에서 승인됩니다. 대부분의 논문은 결국 승인될 것이므로 승인 임계값을 낮추어 재제출 횟수를 줄여 더 많은 논문이 승인될 수 있도록 하면 어떨까요? 이렇게 하면 검토자가 동일한 논문을 반복적으로 읽는 것을 방지하고 검토에 대한 부담을 줄일 수 있습니다.
이 아이디어는 매우 합리적으로 보이지만, 이 기사의 저자는 저자와 회의 간의 상호 작용을 설명하기 위해 게임 이론 모델을 사용할 것을 제안했으며 이 아이디어에 대해 부정적인 답변을 제공했습니다. 논문은 경제 및 계산(2022)에서 승인되었습니다. 이 모델에서 이 기사에서는 다음 질문과 같이 회의 품질과 검토 압력을 평가하는 다양한 검토 및 의사 결정 메커니즘의 성능에 대해 논의합니다.
- 최적의 승인 임계값을 결정하는 방법은 무엇입니까?
- 논문의 리뷰어 수를 늘려야 할까요?
- 리뷰 품질을 높이면 어떤 이점이 있나요?
- 저자는 논문에 대한 이전 리뷰 코멘트도 제공해야 하나요? ... 원고 과정은 반복 게임을 모델로 하며 구체적인 과정은 다음과 같습니다.
- 먼저 각 저자마다 제출할 논문이 있습니다. 각 제출 라운드에서 저자는 두 가지 결정 중 하나를 내립니다. 즉, 논문을 최고의 컨퍼런스에 제출할지 아니면 확실한 베팅(예: 덜 권위 있는 두 번째 카테고리 컨퍼런스)에 제출할지입니다. 최고의 컨퍼런스에 제출된 결과는 검토 메커니즘과 논문의 품질에 따라 결정됩니다.
Ting은 논문을 승인할 확률이 일정하며 일단 승인되면 저자는 더 큰 이익을 얻게 됩니다.
논문이 확실하게 수신될 것임을 보장하지만 혜택은 더 적습니다.그중 리뷰의 의사결정은 전적으로 리뷰어의 리뷰 의견에 달려 있습니다. 예를 들어 게재 허용 기준을 설정하면 평균 리뷰 점수가 기준보다 높은 경우에만 논문이 승인됩니다. 재투고 횟수는 기하급수적으로 감소하므로 작성자의 수입은 늘어납니다.
Ding 회의는 검토/의사결정 메커니즘을 약속하며 작성자는 이 메커니즘에 대한 최선의 전략을 세울 것이며 Ding 회의는 작성자를 위한 최선의 대응 전략을 고려하고 균형을 이룰 수 있는 메커니즘을 설계해야 합니다. 회의의 질과 검토가 최적의 메커니즘을 압박합니다.
- 2. 주요 결론
위의 모델링 방법을 사용하여 이 문서는 다음을 포함하는 몇 가지 중요한 결론을 도출합니다.
1) 저자의 최적 전략
단순화된 모델(더 복잡한 모델은 원문 참조)에서 이 기사는 다음과 같은 가정을 합니다. 저자는 자신의 논문의 진정한 품질을 알고 있으며 결정은 다음과 같습니다. 학회를 만드는 것은 기억에 남지 않으며(각 검토 라운드의 결정은 해당 라운드의 검토자의 의견에만 달려 있음) 저자에게는 무제한의 재제출 기회가 있습니다. 이 경우 저자는 임계값 최적 전략을 가지고 있습니다.
- 논문의 품질이 임계값보다 높으면 저자는 논문을 최상위에 제출하도록 선택하며, 거부 횟수에 관계없이 , 저자는 논문이 승인될 때까지 다시 제출하도록 선택합니다. ;
- 논문의 품질이 기준치 미만인 경우 저자는 즉시 확실한 내기를 선택합니다.
일반적으로 저자의 제출 임계값 Θ는 아래 그림과 같이 학회 승인 임계값 τ보다 낮습니다.
위의 결론은 재제출의 역설을 설명하는 데 사용될 수 있습니다. 더 많은 논문을 수락한다고 해서 본질적으로 검토 부담이 줄어들지 않는 이유는 무엇입니까? 이는 학회의 승인 임계값 τ를 낮추면 동시에 저자의 제출 임계값 Θ도 낮아져 품질이 낮은 논문의 제출이 더 많아지기 때문입니다. 아래 그림과 같이 승인 기준을 낮추면 이전에 두 번째 카테고리 회의에 제출하도록 선택된 일부 논문(보라색 영역)이 이제 상위 회의에 제출되도록 선택됩니다.
2) 회의 품질과 검토 압력
회의의 검토/의사결정 메커니즘은 회의 품질과 검토 압력을 저울질해야 하는데, 둘 다 가질 수는 없습니다.
- 컨퍼런스 품질 = 승인된 모든 논문의 품질 합계
- 심사 압박 = 제출부터 최종 승인까지 논문이 검토될 예상 횟수
승인 임계값을 변경해도 회의 품질 및 검토 압력을 변경합니다(아래 참조).
그림은 합격 임계값에 대한 회의 품질(세로 좌표)과 리뷰 압력(가로 좌표)의 변화 곡선을 보여줍니다. σ는 리뷰어 노이즈의 표준 편차입니다.
다음 세 가지 상황은 회의 품질과 검토 압력 사이의 더 나은 균형으로 이어질 수 있습니다(동일한 회의 품질을 달성하려면 검토 압력이 덜 필요함).
- 더 나은 검토 품질— ——검토자 소음은
- 좋아요의 낮은 평판 ———— 확실한 내기에 비해 엄지손가락을 올리면 수입이 낮아집니다.
- 더 많은 단기 작가 ———— 여러 번 다시 게시할 때 더 큰 할인.
3. 결론
이 기사의 목적은 학술 회의에서 검토 및 의사 결정 메커니즘을 개선할 때 다양한 메커니즘이 논문 작성자에게 제공하는 인센티브를 고려하도록 요청하는 것입니다. 논문 합격률과 같은 논문의 원문은 주로 어떤 요인의 영향을 받나요? 논문 품질에 대한 정확한 지식이 없는 저자를 위한 최적의 전략은 무엇입니까? 저자에게 논문에 대한 이전 검토 의견을 제공하도록 요구하는 것이 컨퍼런스에 어떤 영향을 미치나요?
물론, 이 글의 이론적 모델은 다양한 수준에서 많은 한계를 가지고 있습니다. 예를 들어, 이 글은 리뷰 압력이 리뷰 품질에 미치는 부정적인 피드백 효과와 컨퍼런스 품질이 저자 수입에 미치는 긍정적인 피드백 효과를 고려하지 않습니다. , 거절 과정 등에서 논문의 품질이 향상되지 않을 것으로 간주합니다. 컨퍼런스 피어 리뷰 시스템에 대한 논의와 개선은 여기서 끝나지 않을 것입니다. 특히 게임 관점에서 컨퍼런스 리뷰 메커니즘을 이해하는 것이 중요합니다. 관심 있는 독자는 논문 원문을 보거나 기사 작성자에게 문의하시기 바랍니다. 더 많은 연구 세부 사항을 논의하기 위해.
위 내용은 Dinghui는 허용 기준을 낮춰야 할까요? 게임 이론을 사용하여 최적의 검토 및 의사결정 메커니즘 탐색의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











기존 컴퓨팅을 능가할 뿐만 아니라 더 낮은 비용으로 더 효율적인 성능을 달성하는 인공 지능 모델을 상상해 보세요. 이것은 공상과학 소설이 아닙니다. DeepSeek-V2[1], 세계에서 가장 강력한 오픈 소스 MoE 모델이 여기에 있습니다. DeepSeek-V2는 경제적인 훈련과 효율적인 추론이라는 특징을 지닌 전문가(MoE) 언어 모델의 강력한 혼합입니다. 이는 236B 매개변수로 구성되며, 그 중 21B는 각 마커를 활성화하는 데 사용됩니다. DeepSeek67B와 비교하여 DeepSeek-V2는 더 강력한 성능을 제공하는 동시에 훈련 비용을 42.5% 절감하고 KV 캐시를 93.3% 줄이며 최대 생성 처리량을 5.76배로 늘립니다. DeepSeek은 일반 인공지능을 연구하는 회사입니다.

AI는 실제로 수학을 변화시키고 있습니다. 최근 이 문제에 주목하고 있는 타오저쉬안(Tao Zhexuan)은 '미국수학회지(Bulletin of the American Mathematical Society)' 최신호를 게재했다. '기계가 수학을 바꿀 것인가?'라는 주제를 중심으로 많은 수학자들이 그들의 의견을 표현했습니다. 저자는 필즈상 수상자 Akshay Venkatesh, 중국 수학자 Zheng Lejun, 뉴욕대학교 컴퓨터 과학자 Ernest Davis 등 업계의 유명 학자들을 포함해 강력한 라인업을 보유하고 있습니다. AI의 세계는 극적으로 변했습니다. 이 기사 중 상당수는 1년 전에 제출되었습니다.

Boston Dynamics Atlas가 공식적으로 전기 로봇 시대에 돌입했습니다! 어제 유압식 Atlas가 역사의 무대에서 "눈물을 흘리며" 물러났습니다. 오늘 Boston Dynamics는 전기식 Atlas가 작동 중이라고 발표했습니다. 상업용 휴머노이드 로봇 분야에서는 보스턴 다이내믹스가 테슬라와 경쟁하겠다는 각오를 다진 것으로 보인다. 새 영상은 공개된 지 10시간 만에 이미 100만 명이 넘는 조회수를 기록했다. 옛 사람들은 떠나고 새로운 역할이 등장하는 것은 역사적 필연이다. 올해가 휴머노이드 로봇의 폭발적인 해라는 것은 의심의 여지가 없습니다. 네티즌들은 “로봇의 발전으로 올해 개막식도 인간처럼 생겼고, 자유도도 인간보다 훨씬 크다. 그런데 정말 공포영화가 아닌가?”라는 반응을 보였다. 영상 시작 부분에서 아틀라스는 바닥에 등을 대고 가만히 누워 있는 모습입니다. 다음은 입이 떡 벌어지는 내용이다

이달 초 MIT와 기타 기관의 연구자들은 MLP에 대한 매우 유망한 대안인 KAN을 제안했습니다. KAN은 정확성과 해석성 측면에서 MLP보다 뛰어납니다. 그리고 매우 적은 수의 매개변수로 더 많은 수의 매개변수를 사용하여 실행되는 MLP보다 성능이 뛰어날 수 있습니다. 예를 들어 저자는 KAN을 사용하여 더 작은 네트워크와 더 높은 수준의 자동화로 DeepMind의 결과를 재현했다고 밝혔습니다. 구체적으로 DeepMind의 MLP에는 약 300,000개의 매개변수가 있는 반면 KAN에는 약 200개의 매개변수만 있습니다. KAN은 MLP와 같이 강력한 수학적 기반을 가지고 있으며, KAN은 Kolmogorov-Arnold 표현 정리를 기반으로 합니다. 아래 그림과 같이 KAN은

Google이 추진하는 JAX의 성능은 최근 벤치마크 테스트에서 Pytorch와 TensorFlow를 능가하여 7개 지표에서 1위를 차지했습니다. 그리고 JAX 성능이 가장 좋은 TPU에서는 테스트가 이루어지지 않았습니다. 개발자들 사이에서는 여전히 Tensorflow보다 Pytorch가 더 인기가 있습니다. 그러나 앞으로는 더 큰 모델이 JAX 플랫폼을 기반으로 훈련되고 실행될 것입니다. 모델 최근 Keras 팀은 기본 PyTorch 구현을 사용하여 세 가지 백엔드(TensorFlow, JAX, PyTorch)와 TensorFlow를 사용하는 Keras2를 벤치마킹했습니다. 첫째, 그들은 주류 세트를 선택합니다.

테슬라의 로봇 옵티머스(Optimus)의 최신 영상이 공개됐는데, 이미 공장에서 작동이 가능한 상태다. 정상 속도에서는 배터리(테슬라의 4680 배터리)를 다음과 같이 분류합니다. 공식은 또한 20배 속도로 보이는 모습을 공개했습니다. 작은 "워크스테이션"에서 따고 따고 따고 : 이번에 출시됩니다. 영상에는 옵티머스가 공장에서 이 작업을 전 과정에 걸쳐 사람의 개입 없이 완전히 자율적으로 완료하는 모습이 담겨 있습니다. 그리고 Optimus의 관점에서 보면 자동 오류 수정에 중점을 두고 구부러진 배터리를 집어 넣을 수도 있습니다. NVIDIA 과학자 Jim Fan은 Optimus의 손에 대해 높은 평가를 했습니다. Optimus의 손은 세계의 다섯 손가락 로봇 중 하나입니다. 가장 능숙합니다. 손은 촉각적일 뿐만 아니라

표적 탐지는 자율주행 시스템에서 상대적으로 성숙한 문제이며, 그 중 보행자 탐지는 가장 먼저 배포되는 알고리즘 중 하나입니다. 대부분의 논문에서 매우 포괄적인 연구가 수행되었습니다. 그러나 서라운드 뷰를 위한 어안 카메라를 사용한 거리 인식은 상대적으로 덜 연구되었습니다. 큰 방사형 왜곡으로 인해 표준 경계 상자 표현은 어안 카메라에서 구현하기 어렵습니다. 위의 설명을 완화하기 위해 확장된 경계 상자, 타원 및 일반 다각형 디자인을 극/각 표현으로 탐색하고 인스턴스 분할 mIOU 메트릭을 정의하여 이러한 표현을 분석합니다. 제안된 다각형 형태의 모델 fisheyeDetNet은 다른 모델보다 성능이 뛰어나며 동시에 자율 주행을 위한 Valeo fisheye 카메라 데이터 세트에서 49.5% mAP를 달성합니다.

본 논문에서는 자율 주행에서 다양한 시야각(예: 원근 및 조감도)에서 객체를 정확하게 감지하는 문제, 특히 원근(PV) 공간에서 조감(BEV) 공간으로 기능을 효과적으로 변환하는 방법을 탐구합니다. VT(Visual Transformation) 모듈을 통해 구현됩니다. 기존 방법은 크게 2D에서 3D로, 3D에서 2D로 변환하는 두 가지 전략으로 나뉩니다. 2D에서 3D로의 방법은 깊이 확률을 예측하여 조밀한 2D 특징을 개선하지만, 특히 먼 영역에서는 깊이 예측의 본질적인 불확실성으로 인해 부정확성이 발생할 수 있습니다. 3D에서 2D로의 방법은 일반적으로 3D 쿼리를 사용하여 2D 기능을 샘플링하고 Transformer를 통해 3D와 2D 기능 간의 대응에 대한 주의 가중치를 학습하므로 계산 및 배포 시간이 늘어납니다.
