AMiner会议论文推荐第七十二期

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。

WWW 2021 论文推荐

Mitigating Gender Bias in Captioning Systems（缓解字幕系统中的性别偏见）

论文链接：https://www.aminer.cn/pub/5ee8986f91e011e66831c5fc/?conf=www2021

推荐理由： 最近的研究表明，字幕数据集，例如COCO数据集，可能包含严重的社会偏见，导致学习模型生成无意的歧视。在这项工作中，作者特别关注性别偏见的问题。而现有的数据集未能量化偏见，从训练数据中内在地记忆性别偏见的模型仍可以在有偏见的测试数据集上取得有竞争力的表现。为了弥补这一差距，作者创建了两个新的分片：COCO-GB v1和v2，来量化固有的性别偏见。作者在几个广泛使用的基线上对新设置上进行了评估，实验结果表明，大多数模型从训练数据中学习了性别偏见，导致了对女性的不理想的性别预测误差。为了克服偏见，该工作提出了一个新的引导注意力图像说明模型（Guided Attention Image Captioning model, GAIC），它提供了视觉注意力的自我引导，鼓励模型去探索正确的性别视觉证据。实验结果证明，GAIC可以显著减少性别预测错误，并提供具有有竞争力的标题质量。

Mask-GVAE: Blind Denoising Graphs via Partition（掩码-GVAE：通过分区对图进行盲去噪）

论文链接：https://www.aminer.cn/pub/60226f7a91e011e70e451340/?conf=www2021

推荐理由： 作者提出了Mask-GVAE，一个用于盲目去噪的大型离散图的变异生成模型，其中 "盲目去噪 "意味着无需来自净图的任何监督。该工作通过删除不相关的边和增加缺失的边来恢复图的结构，这在现实世界的场景中有很多应用，例如，提高共同作者网络中连接的质量。Mask-GVAE利用图拉普拉斯的低特征向量对随机噪声的鲁棒性，将输入图分解为几个稳定的集群。然后，它以变异的方式利用巨大的计算量，通过对概率平滑子图进行解码。在各种各样的基准上，Mask-GVAE在PSNR和WL相似性方面以很大的优势胜过其他竞争方法。

Drug Package Recommendation via Interaction-aware Graph Induction（通过相互作用意识的图诱导进行药物包装推荐）

论文链接：https://www.aminer.cn/pub/602257dd91e011e70e4510b5/?conf=www2021

推荐理由： 论近年来，海量的电子病历迅速积累，为药物推荐等智能医疗服务提供了高度支持。然而，目前主要遵循传统的推荐策略，将单个药物视为相互独立的，而药物之间潜在的相互作用，如协同或拮抗作用，在很大程度上被忽略了。为此，作者旨在开发一种考虑药物内部的交互作用的药物包装推荐范式。具体来说，作者首先设计了一种基于神经协作过滤的预训练方法，以获得病人和药物的初始嵌入。然后，根据医疗记录和领域知识，初始化药物交互图。沿着这个思路，作者提出了一个新的药物组合推荐（Drug Package Recommendation, DPR）框架，该框架有两个变体：加权图上的DPR（DPR on Weighted Graph, DPR-WG）以及属性图上的DPR（DPR on Attributed Graph, DPR-AG），其中的每个相互作用将被描述为有符号的权值或属性向量。具体来说，该工作利用掩膜层来捕捉病人状况的影响，并利用图神经网络（graph neural networks , GNN）来完成最后的图归纳任务。

AMiner，AI赋能的学术搜索平台：https://www.aminer.cn/

#AMiner# #论文#