第三届AAAI/ACM SIGAI博士论文奖出炉，MIT博士260多页论文探索模型泛化

AAAI2024奖项陆续公布，继杰出论文奖后，今天博士论文奖也公布了。

这几天，第38届国际AI顶会AAAI2024在加拿大温哥华会议中心举行。本届AAAI会议共有10504篇投稿，录取2527篇，录取率为24.1%。

此前，AAAI官方已经公布杰出论文奖（OutstandingPaperAward），共有三篇论文入选，其中不乏华人学者的身影，比如西安电子科技大学团队论文《ReliableConflictiveMulti-viewLearning》。

今日，AAAI2024公布了第三届、2021年AAAI/ACMSIGAI博士论文奖获得者及获奖论文，她是MIT女博士ShibaniSanturkar，获奖论文为《超越准确性的机器学习：模型泛化的特征视角》。

此外，哈佛大学博士BryanWilder获得了本届博士论文奖提名，获奖论文为《人口健康领域的人工智能：网络融合数据和算法》。

AAAI/ACMSIGAI博士论文奖由AAAI和ACMSIGAI共同设立，旨在发现和鼓励人工智能领域的优秀博士研究和论文。作为一个年度奖项，该博士论文奖将出现在一年一度的AAAI会议上，获奖者将在会议上做演讲。

据了解，第一届奖项由MIT博士吴佳俊（现为斯坦福助理教授）获得，获奖论文题目为《学习看物理世界》（LearningtoSeethePhysicalWorld）。

第二届奖项由CMU博士、OpenAI研究科学家NoamBrown摘得，获奖论文题目为《大型对抗性不完美信息博弈的均衡发现》（EquilibriumFindingforLargeAdversarialImperfect-InformationGames）。

2021AAAI/ACMSIGAI博士论文奖

今年获得该奖项的论文题目为「MachineLearningBeyondAccuracy:AFeaturesPerspectiveOnModelGeneralization」，作者是当时在MIT求学的计算机科学博士ShibaniSanturkar，Santurkar现在为斯坦福大学计算机科学博士后。

论文地址：https://dspace.mit.edu/handle/1721.1/139920

论文摘要：由于机器学习（ML）在各种基准上的突出表现，已被很多研究者应用于解决现实世界问题。然而，越来越多的证据表明模型基准性能并不能完全反映全部情况。事实证明，现有的机器学习模型非常脆弱：最突出的问题是它们对对抗性示例输入扰动的敏感性。

本文重新审视对抗性示例，将它们用作了解当前模型的窗口，该研究为为什么出现这种敏感性提供了新的视角：这是模型依赖于可预测但脆弱的输入特征的直接后果。

研究结果表明，对抗性示例实际上反映了一个更深层次的问题：当前模型在基准测试上取得成功的机制，与人类所预期的基本不一致。这引发了一个问题：我们如何构建机器学习（ML）模型，使其不仅在开发时使用的基准测试上具有泛化性，而且还能在真实世界中得到泛化？

为了回答这个问题，该研究从特征视角（featuresperspective）检查机器学习流程，不仅关注模型预测的标签，还关注它们使用哪些特征来进行预测。因此，在论文的第二部分，研究者开发了一套工具来更好地理解：（i）模型学习了哪些特征，（ii）为什么学习这些特征，以及（iii）如何在训练或测试时修改学到的特征。这些工具使得用户在模型开发过程中进行关键设计选择，比如如何创建数据集，以及训练和评估模型。在这些洞见的基础上，论文随后提出了对机器学习流程的具体改进，以提高模型的泛化能力。

作者介绍

个人主页：https://shibanisanturkar.com/

ShibaniSanturkar现在为斯坦福大学计算机科学专业的博士后，与TatsuHashimoto、PercyLiang和TengyuMa（马腾宇）一起进行研究。在此之前，她在麻省理工学院获得了博士学位，师从AleksanderMadry和NirShavit。ShibaniSanturkar在印度理工学院孟买分校获得了电气工程学士和硕士学位。此前，她还在GoogleBrain和Vicarious实习。

在GoogleScholar上，她的论文引用量近万。

博士论文奖提名

本届AAAI/ACMSIGAI博士论文提名奖获得者为哈佛大学博士BryanWilder，现为CMU机器学习系助理教授。研究重心为高风险社会环境中实现公平、数据驱动决策的AI，并整合机器学习、优化和因果推理方法。

在加入CMU之前，他曾是哈佛大学公共卫生学院和CMU的施密特科学研究员项目的博士后研究员。

论文标题：AIforPopulationHealth:MeldingDataandAlgorithmsonNetworks

论文地址：https://dash.harvard.edu/handle/1/37370083

参考链接：https://aaai.org/about-aaai/aaai-awards/aaai-acm-sigai-doctoral-dissertation-award/