南加州大学的研究人员在AAAI 2021年会上发表了21篇论文。/ iStock形象。
在第35届AAAI人工智能会议南加州大学的研究人员将在2月2日至9日举行的虚拟会议上发表24篇论文，涉及多个主题，包括多智能体寻路、生成模型、算法公平性、选举团的计算分析等。
AAAI会议由该领域最大的专业组织运营，旨在促进人工智能研究和附属学科人工智能研究人员、从业者、科学家和工程师之间的科学交流。
刘燕教授和Sven Koenig教授。
AAAI 2021年收到了创纪录的9034份申请，而去年为8800份。超过7911篇论文进行了评审，共有1692篇论文被录用，录取率为21%，仅比去年的20.6%高出0.4%。
今年，南加州大学计算机科学教授刘燕而且斯文Koenig两人都担任重要的领导职位，分别担任副项目委员会主席和会议委员会主席。
“人工智能发展协会(AAAI)年会是世界上人工智能领域的领先会议之一，”刘说。“南加州大学在AAAI-21上的强大影响力凸显了该大学开展的高质量人工智能研究工作。”
Koenig补充道:“AAAI会议和ijcai是涵盖人工智能所有领域的顶级会议。南加州大学传统上在人工智能方面非常强大，无论是在不同人工智能领域的研究人员数量还是他们的研究质量方面，这都反映在将在2021年AAAI上发表的论文中。”
南加州大学研究教授尤兰达吉尔他也是AAAI的前任主席和奖项委员会主席。在今年的大会上，吉尔将颁发一个新的为造福人类的人工智能颁发100万美元奖金，表彰那些在该领域的工作对社会产生了变革性影响的个人。除了在今年会议上发表的众多论文外，南加州大学研究教授佩德罗Szekely将协办一个研讨会com人工智能的基本知识。
研究聚光灯，AAAI 2021
gan生成的超级马里奥关卡
生成对抗网络(GAN)模型可以自动生成特定风格或美学的内容，例如图像或视频游戏关卡。但这些模型通常是出了名的难以控制。他说道:“例如，虽然我们能够创造出与人类作品相似的关卡，但却很难创造出拥有理想数量的敌人或‘天空’贴图的关卡。塞浦路斯Nikolaidis他是计算机科学的助理教授。
在这篇论文中， Nikolaidis和他的合著者展示了最近的一类算法，称为“质量多样性算法”，可以用来同时生成超级马里奥游戏系列中的视频游戏关卡，这些关卡在风格上与人类创作的例子相似，同时具有不同的兴趣特征。这些内容在电子游戏之外的许多领域都很有用，例如，在不同的地形中为机器人生成不同的行走步态。
下图:一个自动生成的关卡，包含93个上方贴图和3个敌人。
公共卫生的算法公平
博士生Aida Rahmattalabi。
一些行为、社会和公共卫生干预措施——如自杀和艾滋病预防，或为自然灾害做准备——利用社交网络信息来最大限度地扩大服务范围。我们的想法是选择一些关键的人进行培训，这样他们就可以与社区的其他人分享这些信息。
算法可以帮助选择“同行领导”或“有影响力的人”进行此类干预。但传统的“影响力最大化”算法在设计时并没有考虑到这些干预措施。因此，他们可能会不成比例地将少数族裔社区排除在干预的利益之外。然而，让它们更加公平可能会导致效率的重大损失，这是现有方法的主要缺陷之一。
为了解决“公平影响力最大化”方面的不足，计算机科学博士Aida Rahmattalabi她的合著者描述了这种算法应该满足的属性，并开发了一种有效的网红选择算法。对合成数据集和真实数据集的大量实验，包括滑坡风险管理的案例研究，证明了所提出的框架的有效性。
选举人团策略
Shang-Hua腾。
最近美国总统大选的激烈竞争引起了人们对选举团制度的民主公正性和战略挑战的关注。一篇由教授共同撰写的论文Shang-Hua腾通过计算和游戏理论的视角来关注后者。滕是大学计算机科学和数学教授以及Seeley G. Mudd工程教授。
总统竞选是一场跨越多个政治战场的竞争，每个州都有一个。在这个过程中，每位候选人的团队必须有战略地分配资源，如竞选预算、候选人的时间、实地工作人员和政策决定。最终目标:在选举日最大限度地增加选举人票总数。
在这篇论文中滕和他的同事们的目标是了解在多个战场上竞争的困难，包括复杂的、多方面的资源分配，并开发出有效的算法来找到最佳的可能解决方案。Teng说:“通过将多州竞选描述为一场双人博弈，而不仅仅是一场单人战略分配，这项研究还希望捕捉到博弈的结果，这对选举预测很重要。”“我们希望在理论上，这项工作可以为未来的候选人带来一些有用的东西。”
去除机器学习的偏见
机器学习在日常生活中越来越无处不在，小到你在网上看到的网站和产品，大到谁被批准贷款或被雇用。机器学习依赖于训练数据，这些数据可能有偏见，产生不公平的决定，偏袒一个组而不是另一个组。
“在招聘过程中，你可以隐藏所有候选人的信息，用抛硬币的方式来选择。”这篇论文的第一作者说Umang Gupta是一名博士生，由研究副教授建议格雷格·弗·斯蒂格．“但是，尽管这很公平，但似乎会适得其反，因为我们最终会抛弃所有可能有助于挑选最佳人选的信号。”
相反，研究人员提出了一种自动机器学习方法，用于控制哪些信息对任务有用，同时限制可能被用来歧视特定群体的信息数量。
古普塔说:“例如，如果我们知道一名候选人毕业于韦尔斯利学院(一所女子文理学院)，人们可能会利用这一信息歧视女性候选人。”“另一方面，我们可以将信息限制在‘就读于一所知名的文理大学’，这样就更容易挑选出技能更高的员工，同时只对申请人的性别给出一点暗示(因为上大学的女性比男性多)。”
下面是博士生Umang Gupta为他关于信息理论公平的论文提供的一分钟解释视频。
多智能寻路
多智能体寻径(MAPF)是为一组智能体计算从其当前位置到给定目的地的无碰撞路径的问题。MAPF是许多自主系统的核心部分，比如无人驾驶汽车、无人机群，甚至是视频游戏角色AI。几位研究人员正在介绍这一领域的工作，包括三篇论文斯文Koenig他已经研究这个课题好几年了，诺拉Ayanian而且Bistra Dilkina．
“我们设计了一种名为MAPFAST的算法选择器，它使用深度学习技术，帮助人们根据不同的问题选择最佳的寻路算法，”诺拉·阿亚尼安(Nora Ayanian)指导的博士生任静瑶(Jingyao Ren)说。
“它可以应用于多机器人寻路应用，提高整体求解速度。例如，亚马逊在其仓库中使用机器人运送物品，这需要为这些机器人计算无碰撞路径，MAPFAST将帮助选择最快和最好的算法。”
被录用论文列表如下:
EECBS:多智能体寻径的有界次优搜索
李焦阳(美国南加州大学);Wheeler Ruml(新罕布什尔大学);Sven Koenig(南加州大学)
大型仓库中多智能体的终身寻径
李焦阳(美国南加州大学);Andrew Tinka(亚马逊机器人);Scott Kiesel(亚马逊机器人);约瑟夫·W·达勒姆(亚马逊机器人);萨蒂什·库马尔(南加州大学);Sven Koenig(南加州大学)
零概率常识性问答的知识驱动自我监督
马凯歆(CMU);Filip Ilievski(南加州大学/ISI);乔纳森·M·弗朗西斯(卡耐基梅隆大学;博世匹兹堡研究院(Bosch Research Pittsburgh);Yonatan浓汤;埃里克·尼伯格(CMU);Alessandro Oltramari (Bosch Research Pittsburgh)
子类型感知动态无监督域适应
刘晓峰(CMU);刘雄昌(哈佛大学);季文轩(南开);胡博(哈佛大学);邢方旭(哈佛大学);陆俊(BIDMC);尤简(香港);c c。Jay Kuo(南加州大学);Georges El Fakhri(马萨诸塞州总医院/哈佛医学院); Jonghye Woo (Massachusetts General Hospital / Harvard Medical School)
基于冲突搜索的多agent寻径冲突解决方法研究
黄桃安(美国南加州大学);Sven Koenig(南加州大学);Bistra Dilkina(南加州大学)
基于冲突搜索的f感知冲突优先级和改进启发式
Eli Boyarski(内盖夫本-古里安大学);艾瑞尔·费尔纳(BGU);Pierre Le Bodic(莫纳什大学);Daniel Harabor(莫纳什大学);Peter Stuckey(莫纳什大学);Sven Koenig(南加州大学)
具有非线性动力学和有界扰动的可扩展和安全的多智能体运动规划
陈景凯(麻省理工学院);李焦阳(美国南加州大学);范楚楚(麻省理工学院);布莱恩·C·威廉姆斯(麻省理工学院)
连续语义分割的无监督模型适应
Serban Stan(南加州大学);默罕默德·罗斯塔米(南加州大学)
带约束的情景有限视界MDP的抽样-有效算法
Krishna C Kalagarla(南加州大学);Rahul Jain(南加州大学);Pierluigi Nuzzo(南加州大学)
通过公平攻击加剧算法偏见
Ninareh Mehrabi(南加州大学/ISI);Muhammad Naveed(南加州大学);Fred Morstatter(南加州大学/ISI);Aram Galstyan(南加州大学/ISI)
表理解的混合概率方法
孙克轩(美国南加州大学);Harsha Rayudu(南加州大学);Jay Pujara(南加州大学)
从历史中学习:用顺序复制生成网络建模时间知识图
国防科技大学学报(自然科学版);陈慕豪(南加州大学/宾夕法尼亚大学);武汉大学学报(自然科学版);武汉大学学报(自然科学版);张燕(EPITA)
k-鲁棒多智能体寻径的对称性破缺
陈哲(澳大利亚);Daniel Harabor(莫纳什大学);李焦阳(美国南加州大学);Peter Stuckey(莫纳什大学)
在生成对抗网络的潜在空间中照亮马里奥场景
Matthew Fontaine(南加州大学);刘瑞林(美国南加州大学);Ahmed Khalifa(纽约大学);Jignesh Modi(南加州大学);Julian Togelius(纽约大学);艾米·k·胡佛(新泽西理工学院);Stefanos Nikolaidis(南加州大学)
使用自适应阈值和本地化上下文池的文档级关系提取
周文轩(美国南加州大学);黄凯文(JD AI Research);马腾宇(斯坦福大学);京煌(京东)
IsoBN:用各向同性批归一化微调BERT
周文轩(美国南加州大学);林宇辰(美国南加州大学);任翔(南加州大学)
有策略地保留数据分类
Anilesh K Krishnaswamy(杜克大学);李浩明(美国南加州大学);大卫·雷小山(杜克);张汉瑞(美国杜克大学);文森特·科尼策(杜克大学)
对比信息估计对公平结果的可控保证
Umang Gupta(南加州大学/ISI);Aaron M Ferber(南加州大学);Bistra Dilkina(南加州大学);Greg Ver Steeg(南加州大学/ISI)
DeepPseudo:基于伪值的竞争风险分析深度学习模型
Md Mahmudur Rahman(马里兰大学巴尔的摩县分校);松尾浩二(南加州大学);松崎信弥(大阪大学);Sanjay Purushotham(马里兰大学巴尔的摩分校)
选举团的计算分析:竞选很难，但大致可控
Sina Dehghani (IPM);Hamed Saleh(马里兰大学);赛义德·塞迪金(丰田技术研究所);滕尚华(美国南加州大学)
(无监督)实体对齐的视觉旋转
刘芳玉(剑桥大学);陈慕豪(南加州大学/宾夕法尼亚大学);丹·罗斯(宾夕法尼亚大学);奈杰尔·科利尔(剑桥大学)
基于概率软逻辑正则化和全局推理的临床时间关系提取
周一超(加州大学洛杉矶分校);于燕(加州大学洛杉矶分校);韩汝君(美国南加州大学);J. Harry Caufield(加州大学洛杉矶分校);常凯伟(kwchang@cs.ucla.edu);孙益洲(加州大学洛杉矶分校);平培培(加州大学洛杉矶分校);王伟(加州大学洛杉矶分校)
MELINDA:生物医学实验方法分类的多模态数据集
吴德林(加州大学洛杉矶分校);Shikhar Singh(南加州大学);萨扬·保罗(Intuit);Gully A Burns (Chan Zuckerberg Initiative);Nanyun彭
公平影响最大化:福利优化方法
Aida Rahmattalabi(南加州大学);Shahin Jabbari(哈佛大学);Himabindu Lakkaraju(哈佛大学);菲比·瓦亚诺斯(南加州大学);马克斯·伊森伯格(帕迪兰德研究生院);瑞安·布朗(兰德公司);Eric Rice(南加州大学);米林德·塔姆贝(哈佛大学)
MAPFAST:基于最短路径嵌入的多智能体寻径深度算法选择器(海报)
任敬尧(南加州大学)、维克拉曼·萨蒂亚纳拉亚南(南加州大学)、埃里克·尤因(南加州大学)、巴斯金·森巴拉(南加州大学)、诺拉·阿亚尼安(南加州大学)
基于学习的城市道路网络弹性优化出行预测(研讨会论文)
邱冠成(南加州大学)、Amrita Gupta(南加州大学)、Caleb Robinson(南加州大学)、冯硕(南加州大学)和Bistra Dilkina(南加州大学)
在无家可归的年轻人中，人工智能增强干预预防艾滋病毒的临床试验(研讨会论文)
Bryan Wilder(哈佛大学)，Laura Onasch-Vera(南加州大学)，Graham Diguiseppi(南加州大学)，Robin Petering (Lens Co)， Chyna Hill(南加州大学)，Amulya Yadav(宾夕法尼亚州立大学)，Eric Rice(南加州大学)，Milind Tambe(哈佛大学)
出版于2021年2月4日
最后更新于2022年11月11日
