南大周志華團隊獲獎，AAAI 2025傑出論文獎出爐

机器之心發表於2025-03-03
原文網址 : https://www.jiqizhixin.com/articles/2025-03-03-10
AI
自 2 月 25 日起，AAAI 2025 開始在美國賓夕法尼亞州費城舉辦，會議為期 8 天，將於 3 月 4 日結束。

AAAI 由國際人工智慧促進協會主辦，是人工智慧領域歷史最悠久、涵蓋內容最廣泛的國際頂級學術會議之一，也是中國計算機學會（CCF）推薦的 A 類國際學術會議，每年舉辦一屆。AAAI 2025 共有 12957 篇有效投稿，錄用 3032 篇，錄取率為 23.4%。其中，Oral 論文佔比 4.6%。
image.png
現在，AAAI 2025 傑出論文獎正式公佈了，以表彰那些「在技術貢獻和闡述方面體現最高標準」的論文。

本屆傑出論文共有三篇，其中一篇由國內高校南京大學周志華團隊斬獲，其他兩篇由多倫多大學、波爾多大學等機構的研究者獲得。另外，還有一篇論文被選為「AI 對社會影響特別獎」。

三篇傑出論文

論文 1：Efficient Rectification of Neuro-Symbolic Reasoning Inconsistencies by Abductive Reflection
image.png

  • 論文地址：https://arxiv.org/pdf/2412.08457

  • 機構：南京大學

  • 作者：胡文超（Wen-Chao Hu）、戴望州（Wang-Zhou Dai）、姜遠（Yuan Jiang）、周志華（ Zhi-Hua Zhou）

論文摘要：神經符號 (Neuro-Symbolic，NeSy) AI 可以類比人類雙過程認知，利用神經網路建模直覺系統 1，用符號推理建模演算法系統 2。然而，對於複雜的學習目標，NeSy 系統通常會產生與領域知識不一致的輸出，而且很難糾正它們。

本文受人類認知反射的啟發，它能夠及時發現直覺反應中的錯誤，並透過呼叫系統 2 推理來修改它們。作者提出引入基於溯因學習（Abductive Learning，ABL）框架的溯因反射（ABL-Refl）來改進 NeSy 系統。

具體來講，ABL-Refl 利用領域知識在訓練期間溯因反射向量，然後可以標記神經網路輸出中的潛在錯誤並呼叫溯因來糾正它們並在推理期間生成一致的輸出。與之前的 ABL 實現相比，ABL-Refl 效率很高。實驗表明，ABL-Refl 的表現優於當前 SOTA NeSy 方法，以更少的訓練資源和更高的效率實現了出色的準確性。
image.png
論文 2：Every Bit Helps: Achieving the Optimal Distortion with a Few Queries
image.png

  • 論文地址：https://www.cs.toronto.edu/~nisarg/papers/value-queries.pdf

  • 機構：多倫多大學

  • 作者：Soroush Ebadian 、 Nisarg Shah

論文摘要：在多智慧體系統中，一個基本任務是將智慧體與備選方案（例如資源或任務）進行匹配。通常，這是透過獲取智慧體對備選方案的順序排名（ordinal rankings）而不是其精確的數值效用（cardinal utilities）來實現的。

雖然這簡化了資訊獲取過程，但資訊的不完整性會導致智慧體效率低下，這種低效性透過一種稱為失真度（distortion）的指標來度量。

本文提出了一種新穎的排序演算法，用於單邊匹配和單一勝者選舉，該演算法讓每個智慧體利用有限數量的 λ 基數查詢，實現了漸近最優的扭曲界限，其中 λ 是一個常數。表 1 和表 2 分別提供了本文的結果總結以及在單邊匹配和投票方面的對比。
image.png
image.png
本文證明了在單邊匹配問題中，使用 λ 次查詢可以實現image.png的扭曲度。例如，使用三次查詢可以實現 O (n^(1/3)) 的扭曲度，這比之前的 O (log n) 查詢結果更好。

文章還將這一結果擴充套件到了單一勝者選舉問題，證明了在任何常數 λ 的情況下，使用 λ 次查詢可以實現圖片的扭曲度，其中 n 是智慧體數量，m 是候選者數量。

論文 3：Revelations: A Decidable Class of POMDPs with Omega-Regular Objectives
image.png

  • 論文地址：https://arxiv.org/pdf/2412.12063

  • 機構：波爾多大學、巴黎大學

  • 作者：Marius Belly、Nathanaël Fijalkow、Hugo Gimbert、Florian Horn、Guillermo Perez、Pierre Vandenhove

論文摘要：部分可觀測馬爾可夫決策過程（POMDPs）是處理序列決策中一個重要的不確定性模型

本文的主要技術成果是為兩類部分可觀測馬爾可夫決策過程（POMDPs）—— 弱揭示（weakly revealing）和強揭示（strongly revealing）—— 構建了精確演算法。重要的是，這些可判定的情況可以簡化為對有限信念支援馬爾可夫決策過程（finite belief-support Markov decision process）的分析。這為一大類 POMDPs 提供了一種概念上簡單且精確的演算法。
image.png
文章透過一個揭示版本的經典 Tiger POMDP 問題進行了實驗，比較了他們的演算法與基於深度強化學習（DRL）的方法。結果顯示，他們的演算法效能優於 DRL 方法，這表明他們的演算法在解決揭示 POMDPs 時更為有效。

文章的研究意義在於為 POMDPs 提供了一種新的可判定性視角，特別是在資訊丟失受限的情況下。這種揭示機制不僅為解決 POMDPs 提供了一種新的方法，而且為理解和設計更有效的決策演算法提供了理論基礎。

AI 對社會影響特別獎

除了三篇傑出論文，AAAI-25 還頒發了一個 AI 對社會影響（AISI，AI for social impact）的研究獎項。論文題目為《DivShift: Exploring Domain-Specific Distribution Shifts in Large-Scale, Volunteer-Collected Biodiversity Datasets》。
image.png

  • 論文連結：https://arxiv.org/pdf/2410.19816

  • 作者：Elena Sierra 、 Lauren E. Gillespie 、 Salim Soltani 、 Moises Exposito-Alonso 、 Teja Kattenborn

  • 機構：史丹佛大學等


這篇文章的核心內容是關於如何利用志願者收集的生物多樣性資料集來訓練深度學習模型，以監測氣候變化對生物多樣性的影響。文章提出了一個名為 DivShift 的框架，並構建了一個名為 DivShift-North American West Coast（DivShift-NAWC）的資料集，用於研究志願者收集的資料中存在的偏差對模型效能的影響。

參考連結：https://aihub.org/2025/03/01/congratulations-to-the-aaai2025-outstanding-paper-award-winners/

相關文章