AMiner会议论文推荐第二十三期：胶囊网络、几何特性、成员查询

IJCAI 2020 论文推荐：
论文名称：Textual Membership Queries
推荐理由：对数据进行人工标注非常耗时且昂贵，但在很多情况下，这一步骤对于学习过程的成功而言至关重要。为了最大限度地减少人为标注工作，作者提出了一种新型的主动学习方案，它不依赖于现有的未标注数据源。该方法使用少量的标记数据作为核心集，用于合成有用成员查询（MQs）——由人工标记算法生成的未标记实例。作者利用修改运算符和函数，在一定程度上改变实例。他们将这些运算符应用于一小部分实例集（核心集），以创建一组新的成员查询。利用这个框架，作者将实例空间看成一个搜索空间，并应用搜索算法来生成与学习者高度相关的新实例。同时，作者在文本领域实现了这个框架，并在几个文本分类任务上进行了测试，证明了随着更多的MQs被标记并纳入训练集，分类器性能将得到提升。作者称这是第一个在文本领域利用成员查询的工作。
论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772185/?conf=ijcai2020
会议链接：https://www.aminer.cn/conf/ijcai2020

NeurIPS 2020 论文推荐：
论文名称：Real World Games Look Like Spinning Tops
推荐理由：本文研究了现实世界游戏（如井字棋、围棋、星际争霸II）的几何特性。作者假设它们的几何结构类似于一个旋转的顶部，竖轴代表转折强度，径向轴对应于特定转折强度下存在的循环数，代表非转折维度。作者证明了这种几何结构广泛存在于现实世界游戏中，揭露了它们的时间本质。此外，作者还证明了这种独特的结构对学习也有影响——它阐明了策略集群对训练代理（agents）的必要原因，以及集群大小与游戏结构的关系。最后，作者通过选择9个真实世界的双人零和对称博弈来实证上述观点，表明：1）通过使用新的纳什聚类方法来测量转折性和周期性策略行为之间的相互作用，能够揭示并很容易的重新构建旋转顶结构。2）集群规模对这些博弈的收敛性具有影响。
论文链接：https://www.aminer.cn/pub/5eeb3d1191e011b366279568/?conf=neurips2020
会议链接：https://www.aminer.cn/conf/neurips2020

AAAI 2021 论文推荐：
论文名称：Interpretable Graph Capsule Networks for Object Recognition
推荐理由：胶囊网络（Capsule Networks），作为卷积神经网络的替代品，已被提出用于从图像中识别物体。目前的文献证明了CapsNets相对于CNN的许多优势。然而，如何为CapsNets的各个分类建立解释还没有被探索清晰。目前，广泛使用的显著性方法主要是为了解释基于CNN的分类而提出的，它们通过结合激活值和相应梯度来创建显著性图解释，例如Grad-CAM。这些显著性方法需要底层分类器的特定架构，由于CapsNets的迭代路由机制，它们无法平凡地应用于其中。为了克服可解释性的不足，作者认为可以为CapsNets提出新的事后解释方法，或修改模型，使其具有内置的解释。在这项工作中，作者主要研究后者。具体来说，作者提出了可解释的Graph Capsule Networks（GraCapsNets），用基于多头关注的Graph Pooling方法替换了路由部分。该模型能够有效且高效地创建单个分类的解释。同时，尽管取代了CapsNets的基本部分，该模型还展示了一些意想不到的好处。与CapsNets相比，GraCapsNets以更少的参数实现了更好的分类性能，并且具有更好的对抗性鲁棒性。此外，GraCapsNets还保留了CapsNets的其他优点，即分离式表征示（disentangled representations）和仿射变换鲁棒性（affine transformation robustness）。
论文链接: https://www.aminer.cn/pub/5fca094491e011654d99e6ff/?conf=aaai2021
会议链接：https://www.aminer.cn/conf/aaai2021