又到頂會放榜時，幾家歡喜幾家愁。

本次IJCAI 2023共收到4566份提交全文，接收率大約15%

問題鏈接：?https://www.zhihu.com/question/578082970?

從知乎上反饋的結(jié)果來看，整體審稿質(zhì)量依然不盡如人意（也可能是被拒稿的怨念...），甚至有的審稿人根本沒看rebuttal的內(nèi)容就給拒了。

也存在都是分?jǐn)?shù)相同，但結(jié)局不同的論文。

也有網(wǎng)友貼出meta review的拒絕理由，全是大缺點(diǎn)。

不過拒稿并不是終點(diǎn)，更重要的是繼續(xù)出發(fā)。

網(wǎng)友Lower_Evening_4056認(rèn)為，即便是里程碑式的論文也會被多次拒稿，也有一些論文即便不夠出色，也能被錄用。

當(dāng)你繼續(xù)前行，再回過頭來看那些合理的審稿意見時，你會發(fā)現(xiàn)自己的工作還能再上一個層次。

審稿系統(tǒng)確實(shí)存在缺陷，更重要的是不要把reject看作是對你個人或作品價(jià)值的評估結(jié)果。如果你是一個學(xué)生，并且你的導(dǎo)師根據(jù)審稿結(jié)果而不是工作質(zhì)量來評價(jià)你的話，那你可能就要重新考慮和導(dǎo)師的合作關(guān)系了。

NeurIPS會議此前開展過一致性實(shí)驗(yàn)，對于平均分在5到6.5之間的論文，錄用結(jié)果基本就是隨機(jī)的，取決于你碰到的審稿人。

比如說有個人的論文結(jié)果是9665，如果他沒碰到給他9分的審稿人，那結(jié)果必然是reject，只不過他剛好碰到了伯樂，并且扭轉(zhuǎn)了審稿結(jié)果。

最后，恭喜那些論文錄用的科研人，助力推動人工智能研究的發(fā)展！

下面是一些在社交媒體上分享已錄用的論文。

IJCAI 2023接收論文

端到端抗噪語音識別中多任務(wù)學(xué)習(xí)的梯度修正

在下游語音自動識別系統(tǒng)(ASR)中，語音增強(qiáng)學(xué)習(xí)策略(SE)被證明能夠有效地減少噪聲語音信號產(chǎn)生的噪聲，該系統(tǒng)采用多任務(wù)學(xué)習(xí)策略對這兩個任務(wù)進(jìn)行聯(lián)合優(yōu)化。

然而，通過 SE 目標(biāo)學(xué)習(xí)的增強(qiáng)語音并不總是產(chǎn)生良好的 ASR 結(jié)果。

從優(yōu)化的角度來看，自適應(yīng)任務(wù)和自適應(yīng)反應(yīng)任務(wù)的梯度之間有時會存在干擾，這會阻礙多任務(wù)學(xué)習(xí)，最終導(dǎo)致自適應(yīng)反應(yīng)性能不理想。

論文鏈接：?https://arxiv.org/pdf/2302.11362.pdf?

這篇論文提出了一種簡單而有效的梯度補(bǔ)償(GR)方法來解決噪聲魯棒語音識別中任務(wù)梯度之間的干擾問題。

具體來說，首先將 SE 任務(wù)的梯度投影到一個與 ASR 梯度呈銳角的動態(tài)曲面上，以消除它們之間的沖突，協(xié)助 ASR 優(yōu)化。

此外，自適應(yīng)地調(diào)整兩個梯度的大小，以防止主導(dǎo) ASR 任務(wù)被 SE 梯度誤導(dǎo)。

實(shí)驗(yàn)結(jié)果表明，該方法較好地解決了梯度干擾問題，在多任務(wù)學(xué)習(xí)基線上，在 RATS 和 CHiME-4數(shù)據(jù)集上分別實(shí)現(xiàn)了9.3% 和11.1% 的相對詞錯誤率(WER)降低。

約束 Tsetlin 機(jī)器子句大小構(gòu)建簡明邏輯模式

Tsetlin 機(jī)器(TM)是一種基于邏輯的機(jī)器學(xué)習(xí)方法，具有透明和硬件友好的關(guān)鍵優(yōu)勢。

雖然 TM 在越來越多的應(yīng)用程序中匹配或超越了深度學(xué)習(xí)的準(zhǔn)確性，但是大子句池往往產(chǎn)生具有許多文字(長子句)的子句，使得它們變得不那么容易理解。

此外，較長的子句增加了硬件中子句邏輯的切換活動，具有更高的功耗。

論文鏈接：?https://arxiv.org/abs/2301.08190?

這篇論文介紹了一種新的 TM 學(xué)習(xí)方法，即子句大小受限的子句學(xué)習(xí)方法(CSC-TM) ，可以對子句大小設(shè)置軟約束。

一旦子句包含比約束允許的更多的字面值（literals），就開始排除字面值，因此只會短暫出現(xiàn)較大的子句。

為了評價(jià) CSC-TM，研究人員對表格數(shù)據(jù)、自然語言文本、圖像和棋盤游戲進(jìn)行了分類、聚類和回歸實(shí)驗(yàn)。

結(jié)果表明，CSC-TM 保持準(zhǔn)確性與多達(dá)80倍的文字減少，實(shí)際上，TREC、 IMDb 和 BBC Sports 的子句越短，準(zhǔn)確性就越高，在準(zhǔn)確性達(dá)到峰值之后，當(dāng)子句大小接近單個文字時，就會緩慢地下降。

文章最后分析了 CSC-TM 的功耗，得到了新的收斂性質(zhì)。

#DNN-Verification問題：計(jì)算深度神經(jīng)網(wǎng)絡(luò)的不安全輸入

深度神經(jīng)網(wǎng)絡(luò)越來越多地用于需要高安全級別的關(guān)鍵任務(wù)，比如說自動駕駛，雖然可以采用最先進(jìn)的驗(yàn)證器來檢查DNN是否是不安全的：

給定一些屬性（即，是否存在至少一個不安全的輸入配置）后，模型的yes/no輸出對于其它目的（例如shielding、模型選擇或訓(xùn)練改進(jìn)）而言信息量不足。

論文鏈接：?https://arxiv.org/abs/2301.07068?

這篇論文介紹了#DNN-Verification問題，該問題涉及計(jì)算導(dǎo)致違反特定安全屬性的DNN輸入配置的數(shù)量，研究人員分析了這個問題的復(fù)雜性，并提出了一種新的方法，返回確切的違規(guī)計(jì)數(shù)。

由于問題是P-完備性的，文中提出了一個隨機(jī)的近似方法，提供了一個可證明的概率界的正確計(jì)數(shù)，同時顯著降低計(jì)算要求。

文中還提出了一組安全關(guān)鍵的基準(zhǔn)，證明該近似方法的有效性和評估的約束的緊密性的實(shí)驗(yàn)結(jié)果。