AAAI 2020最佳论文公布，华盛顿大学、AllenAI、NTU、清华、港大等斩获

日前，AAAI 2020最受瞩目的各大奖项已公布，最佳论文来自华盛顿大学艾伦人工智能研究所，最佳学生论文来自南洋理工大学、清华大学、香港大学的合作

人工智能顶级学术会议 AAAI 2020 （第 34 届 AAAI）已在美国纽约开幕，会议从 2 月 7 日到 2 月 12 日持续6天。

本次的AAAI大会投稿量创下了8800多份的纪录。其中7737篇被审查，接受1591篇论文，录取率为20.6%。相比2019年，今年AAAI录取率同比上升27%，投稿量同比增长13.6%。

在正会之前，AAAI 组委会悄然提前在官方手册中公布了AAAI 2020 的获奖情况，其中：

• 法国学者 Ulrich Junker 教授获得经典论文奖；
• 华盛顿大学艾伦人工智能研究所的Keisuke Sakaguchi等人获得最佳论文奖；
• 最佳论文提名奖由Riken AIP、奥克兰大学的Vidal Alcazar等人获得；
• 最佳学生论文奖的获得者是分别来自南洋理工大学、清华大学、香港大学的Xiaohui Bei等人；
• 最佳学生论文提名奖由马萨诸塞大学阿默斯特分校、Adobe Research的Yash Chandak等人获得。

AAAI2020 最佳论文奖

题目：WinoGrande: An Adversarial Winograd Schema Challenge at Scale（WinoGrande: 一种大规模的对抗式威诺格拉德模式挑战）

作者：Keisuke Sakaguchi, Ronan Le Bras, Chandra Bhagavatula, Yejin Choi

机构：华盛顿大学艾伦人工智能研究所

论文地址：https://arxiv.org/pdf/1907.10641.pdf

摘要：

WSC挑战是一个人类常识推理的测评集。它包含了273个由专家设计的问题，这些问题无法单纯依靠统计模型来解决。但是，最近的语言模型在这个测试集上取得了90%的准确率。这个现象给我们一个问题：是语言模型真正学会了推理，还是仅仅依靠一些对数据集的偏好。

为了研究这个问题，我们提出了WINOGRANDE测试集，包含4万4千个模型问题。我们对WSC挑战问题增加了难度和规模。其关键步骤包括：精心设计的众包问题。使用AFLITE algorithm抑制系统偏好。AFLITE 算法将自然语言转化为机器可以处理的向量。在WINOGRANDE测试集上，现在最好的方法只能达到 59.4 – 79.1%的准确率，比人类表现（94.0%）低15%-35%。

AAAI-20最佳学生论文奖

题目：Fair Division of Mixed Divisible and Indivisible Goods （混合可分割和不可分割商品的公平划分）

作者：Xiaohui Bei, Zihao Li, Jinyan Liu, Shengxin Liu, Xinhang Lu

机构：南洋理工大学、清华大学、香港大学

论文地址：https://arxiv.org/pdf/1911.07048.pdf

摘要：

我们研究了当资源同时包含可分割和不可分割的商品时的公平分配问题。经典的公平概念，例如无嫉妒性（envy-freeness, EF）和至多一种商品的无嫉妒性（envy-freeness up to one good, EF1），不能直接应用于混合商品的分配问题中。在这项工作中，我们提出了一种针对混合商品的新的“无嫉妒”公平概念（envy-freeness for mixed goods, EFM），它是将EF和EF1直接推广到混合商品的分配问题中。我们证明了EFM分配对于任意数量的代理（agents）始终存在。我们还提出了高效的算法来计算两个代理和N个代理的EFM分配，并对可分割商品进行分段线性评估。最后，我们放宽了无嫉妒的要求，取而代之的是要求混合商品具有ǫ-无嫉妒性（ǫ-EFM），并提出了一种算法，该算法可以找到在一定代理数量、一定不可分割商品数量和1 /ǫ下的时间多项式中的ǫ-EFM分配。

经典论文奖

2020年AAAI经典论文奖被授予发表在2004年第十九届 AAAI （在美国加州圣何塞举行）上的被认为最具影响力的论文，如下：

论文：QUICKXPLAIN: Preferred Explanations and Relaxations for Over-Constrained Problems

获奖理由：针对过约束问题开发了一个可用于形式化和有效计算的有影响力的方法，是用户用来解释故障的首选方法。

摘要：过约束问题包括造成故障的指数级冲突问题和修复一致性的指数级松弛问题。然而，交互应用程序的用户希望获得故障解释和松弛能够涵盖最重要的约束。

为了满足这一需求，作者基于用户在约束之间的偏好，定义了偏好的解释和松弛，并且通过使用适用于任意CP、SAT或DL解算器的泛化方法来计算解释和松弛。作者通过分而治之的策略极大地对基本方法进行了加速，因而为例如在很多配置应用中使用的基础工业约束编程工具的解释能力，提供了技术基础。

参考链接：

• https://aaai.org/Conferences/AAAI-20/
• https://mp.weixin.qq.com/s/TQADPVle7Svf6bUps8z2HA
• https://mp.weixin.qq.com/s/Th8sWJ8xksw_1SrtMNBp3w