AMiner 会议论文推荐第十八期

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

IJCAI 2020 论文推荐

Multi-Class Imbalanced Graph Convolutional Network Learning

联网数据通常显示偏态类分布的帕累托原理（即80/20规则），其中大多数顶点属于少数多数类，而少数类只包含少数实例。当出现不平衡的类分布时，现有的图嵌入学习往往会偏向多数类的节点，而少数类的节点则训练不足。
在本文中，作者提出了双正则图卷积网络（DR-GCN）来处理多类不平衡图，其中施加两种类型的正则化来解决类不平衡表示学习。为了保证所有类都是平等表示的，作者提出了一种类条件对抗式训练过程，以方便标签节点的分离。同时，为了保持训练平衡（即保留所有类的拟合质量），作者通过最小化它们在嵌入空间中的差异，迫使未标记节点遵循与标记节点相似的潜在分布。
在真实世界不平衡图上的实验表明，DR-GCN在节点分类、图聚类和可视化方面优于最先进的方法。

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef277214e?conf=ijcai2020
会议链接：https://www.aminer.cn/conf/ijcai2020

An End-to-End Optimal Trade Execution Framework based on Proximal Policy Optimization

在本文中，作者提出了一种基于近端策略优化（PPO）的端到端自适应的最优交易执行框架。作者基于两种不同的神经网络架构，使用两种方法来考虑市场数据的时间依赖性：1）长短期记忆（LSTM）网络，2）全连接网络（FCN），通过叠加最近的限价订单簿（LOB）信息作为模型输入。所提出的框架可以像以前的研究一样，不需要人工设计属性，直接根据买入/卖出价格和成交量等2级限价订单簿（LOB）信息进行交易执行决策。此外，作者使用了一个稀疏的奖励函数，在每个事件结束时给出代理奖励信号，作为其与基线模型的相对表现指标，而不是执行shortfall（IS）或shaped reward function。

实验结果表明，在性能和简单性方面，提出的框架比IS和shaped reward function更有优势。在他们的实验中，所提出的框架在14只美股的大部分股票上的表现优于业界常用的基线模型，如TWAP、VWAP、AC以及几种深度强化学习（DRL）模型。

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772245?conf=ijcai2020
会议链接：https://www.aminer.cn/conf/ijcai2020

NeurIPS 2020 论文推荐

Algorithmic recourse under imperfect causal knowledge: a probabilistic approach

最近的工作讨论了反事实解释的局限性，以推荐算法求助的行动，并认为需要考虑到特征之间的因果关系。遗憾的是，在实践中，真正的底层结构因果模型通常是未知的。
在这项工作中，作者首先表明，在无法获得真实结构方程的情况下，不可能保证追索权。为了解决这一局限性，作者提出了两种概率方法来选择最优行动，在给定有限的因果知识（例如，只有因果图）的情况下，高概率地实现追索。第一种方法捕获了加性高斯噪声下结构方程的不确定性，并使用贝叶斯模型平均来估计反事实分布。第二种消除了对结构方程的任何假设，而是计算求助行动对与求助者相似的个体的平均影响，从而形成了一种新颖的基于亚人群的求助干预概念。然后，作者推导出一种基于梯度的程序来选择最优的求助行动，并实证表明，在不完善的因果知识下，所提出的方法比非概率基线能带来更可靠的建议。

论文链接：https://www.aminer.cn/pub/5ee7495191e01198a507f7f3?conf=neurips2020
会议链接：https://www.aminer.cn/conf/neurips2020

SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks

我们介绍了SE(3)-Transformer，它是3D点云自关注模块的一个变体，在连续的3D旋转变换下是equivariant的。Equivariance对于确保数据输入存在扰动变换时的稳定和可预测性能非常重要。Equivariance的正推论是增加模型中的权重绑定，从而导致更少的可训练参数，从而降低样本复杂度（即我们需要更少的训练数据）。SE(3)-Transformer利用自注意力的优势，在大的点云上操作不同数量的点，同时保证SE(3)- equivariance的鲁棒性。

作者在一个toy N-body粒子模拟数据集上评估了他们的模型，展示了输入旋转下预测的鲁棒性。作者进一步在ScanObjectNN和QM9这两个真实世界的数据集上取得了具有竞争力的性能。在所有情况下，作者的模型都优于一个强的、non-equivariant的注意基线和一个无注意的equivariant模型。

论文链接：https://www.aminer.cn/pub/5eede0b791e0116a23aafdef?conf=neurips2020
会议链接：https://www.aminer.cn/conf/neurips2020

AAAI 2021 论文推荐

How Medical Crowdfunding Helps People? A Large-scale Case Study on Waterdrop Fundraising

虽然网络医疗众筹取得了巨大的成功，但关于医疗众筹是否对人有帮助以及如何帮助人的定量研究仍然鲜有探讨。
本文利用中国最受欢迎的在线医疗众筹平台之一水滴筹的27，000多个筹款案例，实证研究了在线医疗众筹如何帮助人们。作者发现，筹款人获得的资金量分布广泛，即大部分低度捐赠案例与少数非常成功的案例并存。作者进一步研究了与医疗募捐案例成功率潜在相关的因素。募捐案例的档案信息，如募捐者的地理信息，会影响捐赠金额，因为详细的描述可能会增加募捐案例的可信度。一个重要的发现在于社交网络对筹款案例成功的影响：筹款信息沿社交网络的传播是筹款成功的关键因素，筹款人的社会资本在筹款中起着重要作用。
最后，作者利用机器学习模型进行捐赠预测，验证了潜在因素对医疗众筹成功的影响。总的来说，这项工作提出了一个数据驱动的网络医疗筹款观点，打开了一扇了解医疗众筹的大门。

论文链接：https://www.aminer.cn/pub/5fc4d78691e011abfa2fb02c?conf=aaai2021
会议链接：https://www.aminer.cn/conf/aaai2021





DeepWriteSYN: On-Line Handwriting Synthesis via Deep Short-Term Representations

本研究提出了DeepWriteSYN，这是一种通过深度短期表示的新型在线笔迹合成方法。它包括两个模块：i)可选择和可替换的时间分割，将笔迹分为由单个或多个连贯笔画组成的短时段；ii)这些短时段笔迹的在线合成，该合成基于序列到序列的变异自动编码器(VAE)。

所提出方法的主要优点在于，合成是在短时段内进行的（可以从一个字符分数到完整的字符），而且VAE可以在可配置的手写数据集上进行训练。这两个特性给我们的合成器带来了很大的灵活性，例如，如作者的实验所示，DeepWriteSYN可以生成给定手写结构的真实笔迹变化，对应于给定人群或给定主体内的自然变化。这两种情况分别是通过实验分别针对单个数字和手写签名开发的，在两种情况下均取得了显着的效果。

同时，作者还提供了在线签名验证任务的实验结果，显示出DeepWriteSYN在显著改善单次学习场景方面的巨大潜力。据作者所知，这是第一个能够通过深度学习在短期内生成真实的在线手写（包括手写签名）的综合方法。这对于完全合成的长期现实笔迹生成模块或给定笔迹样本的自然变化非常有用。

论文链接：https://www.aminer.cn/pub/5f609d6991e0113805870236?conf=aaai2021
会议链接：https://www.aminer.cn/conf/aaai2021