Jadual Kandungan
Sudah tentu, model teori artikel ini mempunyai banyak batasan pada tahap yang berbeza: sebagai contoh, artikel ini tidak mengambil kira kesan maklum balas negatif tekanan ulasan terhadap kualiti ulasan, dan kesan kualiti persidangan terhadap pendapatan pengarang Kesan maklum balas yang positif, dan percaya bahawa kualiti kertas tidak akan dipertingkatkan semasa proses penolakan, dsb. Perbincangan dan penambahbaikan sistem tinjauan rakan persidangan tidak akan berhenti di sini. Adalah penting untuk memahami mekanisme tinjauan persidangan dari perspektif permainan untuk membincangkan lebih banyak butiran penyelidikan.
Rumah Peranti teknologi AI Patutkah Dinghui menurunkan ambang penerimaan? Gunakan teori permainan untuk meneroka semakan optimum dan mekanisme membuat keputusan

Patutkah Dinghui menurunkan ambang penerimaan? Gunakan teori permainan untuk meneroka semakan optimum dan mekanisme membuat keputusan

Apr 07, 2023 pm 03:03 PM
Model kertas

Dalam beberapa tahun kebelakangan ini, bidang kecerdasan buatan semakin mengkritik mekanisme semakan persidangan komputer berskala besar Percanggahan di sebalik semua ini berpunca daripada kepentingan pengarang kertas, penganjur persidangan dan penyemak yang tidak konsisten:

  • Pengarang kertas berharap kertas kerja mereka akan diterima oleh persidangan; daripada persidangan itu (Kualiti persidangan);
  • Oleh itu, cara mengimbangi kualiti persidangan dan mengkaji tekanan dalam persekitaran di mana bilangan kertas kerja telah meningkat dengan ketara adalah isu teras untuk mencapai keseimbangan antara kepentingan ketiga-tiga pihak. Tahun lepas, sarjana dari bidang kecerdasan buatan mengemukakan banyak pendapat dan cadangan tentang cara memperbaik semakan persidangan dan mekanisme membuat keputusan. Idea ini diringkaskan dalam dokumen Google 23 halaman. Salah satu idea yang sangat menarik dan telah diiktiraf oleh ramai orang:

Pautan dokumen : https: //docs.google.com/document/d/1j7Mn2ZkquSzWJ_EzxdXBP3z_JQtrSeUa-CQ0gotAuYw/mobilebasic

Patutkah Dinghui menurunkan ambang penerimaan? Gunakan teori permainan untuk meneroka semakan optimum dan mekanisme membuat keputusan

Idea ini berpunca daripada fenomena kontra-intuitif seperti ini, yang dipanggil fenomena kontra-intuitif ini Paradoks pelaburan semula (paradoks penyerahan semula):

Sebilangan besar kertas akan ditolak setiap tahun (kadar penerimaan persidangan kecerdasan buatan teratas seperti NeurIPS adalah kurang daripada 30% sepanjang tahun) , dan kebanyakan kertas kerja ini akan ditolak dengan hanya Menyertai penyerahan semula dengan pelarasan kecil atau malah tiada perubahan langsung akan sentiasa diterima oleh persidangan atau persidangan yang sama pada tahap yang sama. Memandangkan kebanyakan kertas kerja akhirnya akan diterima, mengapa tidak menurunkan ambang penerimaan supaya lebih banyak kertas boleh diterima selepas lebih sedikit penyerahan semula? Ini akan menghalang kertas yang sama daripada dibaca berulang kali oleh pengulas dan mengurangkan tekanan semakan.

Walaupun idea ini kelihatan sangat munasabah, penulis artikel ini mencadangkan untuk menggunakan model teori permainan untuk huraikan penulis dan pertemuan itu dan memberikan jawapan negatif kepada idea ini. Kertas penyelidikan telah diterima oleh Economics and Computation (2022). Di bawah model ini, artikel ini membincangkan prestasi mekanisme semakan dan membuat keputusan yang berbeza dalam menimbang kualiti mesyuarat dan tekanan semakan, seperti isu berikut:


Patutkah Dinghui menurunkan ambang penerimaan? Gunakan teori permainan untuk meneroka semakan optimum dan mekanisme membuat keputusanCara menentukan ambang penerimaan Cemerlang terbaik?

Adakah bilangan penyemak di atas kertas perlu ditambah?

  • Apakah faedah meningkatkan kualiti semakan?
  • Adakah pengarang juga perlu memberikan ulasan ulasan sebelumnya untuk kertas itu?
  • ……
  • Pautan kertas: https://arxiv.org/pdf/2303.09020v1.pdf
  • 1. :

Pertama, setiap pengarang mempunyai kertas kerja sedia untuk diserahkan. Dalam setiap pusingan penyerahan, pengarang membuat satu daripada dua keputusan: menyerahkan kertas itu ke persidangan teratas atau pertaruhan pasti (seperti persidangan kategori kedua yang kurang berprestij). Keputusan penyerahan ke persidangan IM dan pastinya bergantung pada mekanisme semakan dan kualiti kertas:

IM akan mempunyai kebarangkalian tertentu untuk menerima kertas tersebut diterima, penulis akan menerima faedah yang lebih besar ;

pasti pertaruhan menjamin bahawa kertas itu akan diterima, tetapi faedahnya akan lebih kecil.

    Antaranya, keputusan untuk meluluskan semakan bergantung sepenuhnya pada pendapat semakan penyemak, seperti menetapkan ambang penerimaan dan menerimanya jika dan hanya jika purata skor semakan adalah lebih tinggi daripada ambang Untuk kertas ini, pendapatan pengarang berkurangan secara eksponen dengan bilangan penyerahan semula.
  • Persidangan Tertinggi menjanjikan mekanisme semakan/membuat keputusan, dan penulis akan membuat strategi terbaik untuk mekanisme ini manakala Persidangan Tertinggi perlu mempertimbangkan strategi tindak balas terbaik penulis, dan reka bentuk Mekanisme optimum untuk mengimbangi kualiti mesyuarat dan tekanan kajian.

2. Kesimpulan utama

Menggunakan kaedah pemodelan di atas, kertas kerja ini menarik beberapa. kesimpulan Kesimpulan penting, termasuk:

1) Strategi optimum pengarang

Dalam model yang dipermudahkan (lihat teks asal untuk model yang lebih kompleks), artikel ini menjadikan Perkara berikut andaian dibuat: pengarang mengetahui kualiti sebenar kertas kerja mereka, keputusan persidangan tidak dapat diingati (keputusan untuk setiap pusingan semakan hanya bergantung pada pendapat penyemak dalam pusingan itu), dan pengarang mempunyai peluang penyerahan semula tanpa had. Dalam kes ini, pengarang mempunyai strategi optimum ambang:

  • Jika kualiti kertas lebih tinggi daripada ambang, penulis akan memilih untuk menyerahkan kepada semakan teratas, dan tidak kira berapa banyak penolakan yang dialami, penulis akan memilih untuk menghantar semula sehingga manuskrip diluluskan
  • Jika kualiti kertas lebih rendah daripada ambang, penulis akan segera memilih; pasti pertaruhan.

Biasanya ambang penyerahan pengarang Θ adalah lebih rendah daripada ambang penerimaan persidangan τ, seperti yang ditunjukkan dalam rajah di bawah.


Patutkah Dinghui menurunkan ambang penerimaan? Gunakan teori permainan untuk meneroka semakan optimum dan mekanisme membuat keputusan

Kesimpulan di atas boleh digunakan untuk menerangkan paradoks penyerahan semula: mengapa menerima lebih banyak kertas kerja pada dasarnya tidak boleh Mengurangkan semakan tekanan? Ini kerana menurunkan ambang penerimaan persidangan τ pada masa yang sama akan menurunkan ambang penyerahan pengarang Θ, dengan itu menarik lebih banyak penyerahan kertas berkualiti rendah. Seperti yang ditunjukkan dalam rajah di bawah, jika ambang penerimaan diturunkan, beberapa kertas (kawasan ungu) yang sebelum ini dipilih untuk diserahkan ke persidangan kategori kedua kini dipilih untuk diserahkan ke persidangan teratas.

2) Kualiti mesyuarat dan tekanan semakan

Mekanisme semakan/membuat keputusan mesyuarat tertinggi perlu timbang kualiti mesyuarat Dan tekanan semak, anda tidak boleh mempunyai kedua-duanya.

  • Kualiti persidangan = jumlah kualiti semua kertas yang diterima
  • Tekanan semakan = kertas daripada penyerahan hingga penerimaan akhir Dijangka nilai menerima bilangan ulasan

Menukar ambang penerimaan akan mengubah kedua-dua kualiti mesyuarat dan tekanan ulasan (seperti yang ditunjukkan di bawah).


Patutkah Dinghui menurunkan ambang penerimaan? Gunakan teori permainan untuk meneroka semakan optimum dan mekanisme membuat keputusan

Gambar menunjukkan hubungan antara kualiti bertemu (ordinat) dan tekanan semakan (abscissa) mengenai penerimaan ambang Tukar keluk, σ ialah sisihan piawai hingar pengulas.

Tiga situasi berikut boleh membawa kepada pertukaran yang lebih baik antara kualiti pertemuan dan tekanan semakan (kualiti mesyuarat yang sama memerlukan tekanan semakan yang kurang):

  • Kualiti ulasan yang lebih baik - bunyi pengulas yang lebih rendah; >Pengarang yang lebih rabun - pendapatan penulis akan dikurangkan dengan banyak dalam beberapa pusingan pelaburan semula.
  • 3 Kesimpulan
  • Artikel ini bertujuan untuk memanggil persidangan akademik untuk mempertimbangkan insentif yang dibawa oleh mekanisme yang berbeza kepada pengarang kertas apabila menambah baik semakan dan membuat keputusan mekanisme, dan banyak lagi Untuk kesimpulan yang lebih menarik, lihat teks asal kertas sebagai contoh, apakah faktor yang mempengaruhi kadar penerimaan kertas tersebut? Apakah strategi optimum untuk pengarang tanpa pengetahuan yang tepat tentang kualiti kertas mereka? Apakah kesan yang memerlukan pengarang untuk memberikan ulasan ulasan sebelumnya pada kertas kerja terhadap persidangan itu?

Sudah tentu, model teori artikel ini mempunyai banyak batasan pada tahap yang berbeza: sebagai contoh, artikel ini tidak mengambil kira kesan maklum balas negatif tekanan ulasan terhadap kualiti ulasan, dan kesan kualiti persidangan terhadap pendapatan pengarang Kesan maklum balas yang positif, dan percaya bahawa kualiti kertas tidak akan dipertingkatkan semasa proses penolakan, dsb. Perbincangan dan penambahbaikan sistem tinjauan rakan persidangan tidak akan berhenti di sini. Adalah penting untuk memahami mekanisme tinjauan persidangan dari perspektif permainan untuk membincangkan lebih banyak butiran penyelidikan.

Atas ialah kandungan terperinci Patutkah Dinghui menurunkan ambang penerimaan? Gunakan teori permainan untuk meneroka semakan optimum dan mekanisme membuat keputusan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

Repo: Cara menghidupkan semula rakan sepasukan
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
2 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Cara mendapatkan biji gergasi
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Model MoE sumber terbuka paling berkuasa di dunia ada di sini, dengan keupayaan bahasa Cina setanding dengan GPT-4, dan harganya hanya hampir satu peratus daripada GPT-4-Turbo Model MoE sumber terbuka paling berkuasa di dunia ada di sini, dengan keupayaan bahasa Cina setanding dengan GPT-4, dan harganya hanya hampir satu peratus daripada GPT-4-Turbo May 07, 2024 pm 04:13 PM

Bayangkan model kecerdasan buatan yang bukan sahaja mempunyai keupayaan untuk mengatasi pengkomputeran tradisional, tetapi juga mencapai prestasi yang lebih cekap pada kos yang lebih rendah. Ini bukan fiksyen sains, DeepSeek-V2[1], model MoE sumber terbuka paling berkuasa di dunia ada di sini. DeepSeek-V2 ialah gabungan model bahasa pakar (MoE) yang berkuasa dengan ciri-ciri latihan ekonomi dan inferens yang cekap. Ia terdiri daripada 236B parameter, 21B daripadanya digunakan untuk mengaktifkan setiap penanda. Berbanding dengan DeepSeek67B, DeepSeek-V2 mempunyai prestasi yang lebih kukuh, sambil menjimatkan 42.5% kos latihan, mengurangkan cache KV sebanyak 93.3% dan meningkatkan daya pemprosesan penjanaan maksimum kepada 5.76 kali. DeepSeek ialah sebuah syarikat yang meneroka kecerdasan buatan am

KAN, yang menggantikan MLP, telah diperluaskan kepada konvolusi oleh projek sumber terbuka KAN, yang menggantikan MLP, telah diperluaskan kepada konvolusi oleh projek sumber terbuka Jun 01, 2024 pm 10:03 PM

Awal bulan ini, penyelidik dari MIT dan institusi lain mencadangkan alternatif yang sangat menjanjikan kepada MLP - KAN. KAN mengatasi MLP dari segi ketepatan dan kebolehtafsiran. Dan ia boleh mengatasi prestasi MLP berjalan dengan bilangan parameter yang lebih besar dengan bilangan parameter yang sangat kecil. Sebagai contoh, penulis menyatakan bahawa mereka menggunakan KAN untuk menghasilkan semula keputusan DeepMind dengan rangkaian yang lebih kecil dan tahap automasi yang lebih tinggi. Khususnya, MLP DeepMind mempunyai kira-kira 300,000 parameter, manakala KAN hanya mempunyai kira-kira 200 parameter. KAN mempunyai asas matematik yang kukuh seperti MLP berdasarkan teorem penghampiran universal, manakala KAN berdasarkan teorem perwakilan Kolmogorov-Arnold. Seperti yang ditunjukkan dalam rajah di bawah, KAN telah

Hello, Atlas elektrik! Robot Boston Dynamics hidup semula, gerakan pelik 180 darjah menakutkan Musk Hello, Atlas elektrik! Robot Boston Dynamics hidup semula, gerakan pelik 180 darjah menakutkan Musk Apr 18, 2024 pm 07:58 PM

Boston Dynamics Atlas secara rasmi memasuki era robot elektrik! Semalam, Atlas hidraulik hanya "menangis" menarik diri daripada peringkat sejarah Hari ini, Boston Dynamics mengumumkan bahawa Atlas elektrik sedang berfungsi. Nampaknya dalam bidang robot humanoid komersial, Boston Dynamics berazam untuk bersaing dengan Tesla. Selepas video baharu itu dikeluarkan, ia telah pun ditonton oleh lebih sejuta orang dalam masa sepuluh jam sahaja. Orang lama pergi dan peranan baru muncul. Ini adalah keperluan sejarah. Tidak dinafikan bahawa tahun ini adalah tahun letupan robot humanoid. Netizen mengulas: Kemajuan robot telah menjadikan majlis pembukaan tahun ini kelihatan seperti manusia, dan tahap kebebasan adalah jauh lebih besar daripada manusia Tetapi adakah ini benar-benar bukan filem seram? Pada permulaan video, Atlas berbaring dengan tenang di atas tanah, seolah-olah terlentang. Apa yang berikut adalah rahang-jatuh

Google gembira: prestasi JAX mengatasi Pytorch dan TensorFlow! Ia mungkin menjadi pilihan terpantas untuk latihan inferens GPU Google gembira: prestasi JAX mengatasi Pytorch dan TensorFlow! Ia mungkin menjadi pilihan terpantas untuk latihan inferens GPU Apr 01, 2024 pm 07:46 PM

Prestasi JAX, yang dipromosikan oleh Google, telah mengatasi Pytorch dan TensorFlow dalam ujian penanda aras baru-baru ini, menduduki tempat pertama dalam 7 penunjuk. Dan ujian tidak dilakukan pada TPU dengan prestasi JAX terbaik. Walaupun dalam kalangan pembangun, Pytorch masih lebih popular daripada Tensorflow. Tetapi pada masa hadapan, mungkin lebih banyak model besar akan dilatih dan dijalankan berdasarkan platform JAX. Model Baru-baru ini, pasukan Keras menanda aras tiga hujung belakang (TensorFlow, JAX, PyTorch) dengan pelaksanaan PyTorch asli dan Keras2 dengan TensorFlow. Pertama, mereka memilih satu set arus perdana

Apr 09, 2024 am 11:52 AM

AI memang mengubah matematik. Baru-baru ini, Tao Zhexuan, yang telah mengambil perhatian terhadap isu ini, telah memajukan keluaran terbaru "Buletin Persatuan Matematik Amerika" (Buletin Persatuan Matematik Amerika). Memfokuskan pada topik "Adakah mesin akan mengubah matematik?", ramai ahli matematik menyatakan pendapat mereka Seluruh proses itu penuh dengan percikan api, tegar dan menarik. Penulis mempunyai barisan yang kuat, termasuk pemenang Fields Medal Akshay Venkatesh, ahli matematik China Zheng Lejun, saintis komputer NYU Ernest Davis dan ramai lagi sarjana terkenal dalam industri. Dunia AI telah berubah secara mendadak Anda tahu, banyak artikel ini telah dihantar setahun yang lalu.

Robot Tesla bekerja di kilang, Musk: Tahap kebebasan tangan akan mencapai 22 tahun ini! Robot Tesla bekerja di kilang, Musk: Tahap kebebasan tangan akan mencapai 22 tahun ini! May 06, 2024 pm 04:13 PM

Video terbaru robot Tesla Optimus dikeluarkan, dan ia sudah boleh berfungsi di kilang. Pada kelajuan biasa, ia mengisih bateri (bateri 4680 Tesla) seperti ini: Pegawai itu juga mengeluarkan rupanya pada kelajuan 20x - pada "stesen kerja" kecil, memilih dan memilih dan memilih: Kali ini ia dikeluarkan Salah satu sorotan video itu ialah Optimus menyelesaikan kerja ini di kilang, sepenuhnya secara autonomi, tanpa campur tangan manusia sepanjang proses. Dan dari perspektif Optimus, ia juga boleh mengambil dan meletakkan bateri yang bengkok, memfokuskan pada pembetulan ralat automatik: Berkenaan tangan Optimus, saintis NVIDIA Jim Fan memberikan penilaian yang tinggi: Tangan Optimus adalah robot lima jari di dunia paling cerdik. Tangannya bukan sahaja boleh disentuh

FisheyeDetNet: algoritma pengesanan sasaran pertama berdasarkan kamera fisheye FisheyeDetNet: algoritma pengesanan sasaran pertama berdasarkan kamera fisheye Apr 26, 2024 am 11:37 AM

Pengesanan objek ialah masalah yang agak matang dalam sistem pemanduan autonomi, antaranya pengesanan pejalan kaki adalah salah satu algoritma terawal untuk digunakan. Penyelidikan yang sangat komprehensif telah dijalankan dalam kebanyakan kertas kerja. Walau bagaimanapun, persepsi jarak menggunakan kamera fisheye untuk pandangan sekeliling agak kurang dikaji. Disebabkan herotan jejari yang besar, perwakilan kotak sempadan standard sukar dilaksanakan dalam kamera fisheye. Untuk mengurangkan perihalan di atas, kami meneroka kotak sempadan lanjutan, elips dan reka bentuk poligon am ke dalam perwakilan kutub/sudut dan mentakrifkan metrik mIOU pembahagian contoh untuk menganalisis perwakilan ini. Model fisheyeDetNet yang dicadangkan dengan bentuk poligon mengatasi model lain dan pada masa yang sama mencapai 49.5% mAP pada set data kamera fisheye Valeo untuk pemanduan autonomi

DualBEV: mengatasi BEVFormer dan BEVDet4D dengan ketara, buka buku! DualBEV: mengatasi BEVFormer dan BEVDet4D dengan ketara, buka buku! Mar 21, 2024 pm 05:21 PM

Kertas kerja ini meneroka masalah mengesan objek dengan tepat dari sudut pandangan yang berbeza (seperti perspektif dan pandangan mata burung) dalam pemanduan autonomi, terutamanya cara mengubah ciri dari perspektif (PV) kepada ruang pandangan mata burung (BEV) dengan berkesan dilaksanakan melalui modul Transformasi Visual (VT). Kaedah sedia ada secara amnya dibahagikan kepada dua strategi: penukaran 2D kepada 3D dan 3D kepada 2D. Kaedah 2D-ke-3D meningkatkan ciri 2D yang padat dengan meramalkan kebarangkalian kedalaman, tetapi ketidakpastian yang wujud dalam ramalan kedalaman, terutamanya di kawasan yang jauh, mungkin menimbulkan ketidaktepatan. Manakala kaedah 3D ke 2D biasanya menggunakan pertanyaan 3D untuk mencuba ciri 2D dan mempelajari berat perhatian bagi kesesuaian antara ciri 3D dan 2D melalui Transformer, yang meningkatkan masa pengiraan dan penggunaan.

See all articles