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。
ICLR 2021 论文推荐
Uncertainty Sets for Image Classifiers using Conformal Prediction（基于保角预测的图像分类器不确定性集）
论文链接：https://www.aminer.cn/pub/5f75e48e91e0111c1eb4d959/?conf=iclr2021
推荐理由： 本文入选ICLR 2021 Spotlight。卷积图像分类器能够达到很高的预测精度，但量化其不确定性仍然是一个挑战。现有的不确定性量化技术，如Platt缩放，试图校准网络的概率估计，但仍不具有确切的保证。作者提出了一种算法，该方法可以修改任意分类器，以用户指定的概率（如90%）输出包含真实标签的预测集。该算法像Platt缩放一样简单快速，同时为每个模型和数据集提供了形式化的有限样本覆盖保证。此外，上述方法生成的预测集比其他方法小得多，因为它引入了一个正则化器来稳定Platt缩放后的不可能类的小分数。在Imagenet和Imagenet-V2上用ResNet-152以及其他分类器进行的实验中，此方案优于现有的方法，实现了精确覆盖，预测集通常比现有方法小5到10倍。
Structured Prediction as Translation between Augmented Natural Languages（结构化预测作增强型自然语言间翻译）
论文链接：https://www.aminer.cn/pub/6001719f91e01163e836a4b6/?conf=iclr2021
推荐理由： 本文入选ICLR 2021 Spotlight。作者提出了一个新的框架–增强型自然语言之间的翻译（Translation between Augmented Natural Languages, TANL），以解决许多结构化预测语言任务，这些任务包括联合实体和关系提取、嵌套命名实体识别、关系分类、语义角色标签、事件提取、核心参考解析和对话状态跟踪。作者并没有通过训练特定任务的判别性分类器来解决这个问题，而是将其作为增强的自然语言之间的翻译任务，从中可以很容易地提取出与任务相关的信息。该方法可以在所有任务上匹配或优于特定任务模型，在联合实体和关系提取（CoNLL04、ADE、NYT和ACE2005数据集）、关系分类（FewRel和TACRED）和语义角色标签（CoNLL-2005和CoNLL-2012）上取得了新的最先进的结果。该工作对所有任务使用相同的架构和超参数，甚至在训练单个模型能够同时解决所有任务时（多任务学习）。最后，作者表明，由于能够更好地使用标签语义，该框架也可以显著提高低资源体制下的性能。
Mathematical Reasoning via Self-supervised Skip-tree Training（通过自我监督的跳转树训练进行数学推理）
论文链接：https://www.aminer.cn/pub/600833e99e795ed227f531cc/?conf=iclr2021
推荐理由： 本文入选ICLR 2021 Spotlight。作者证明应用于数学公式的自监督语言模型能够实现逻辑推理。为了衡量语言模型的逻辑推理能力，该工作制定了几个评价（下游）任务，如推断类型、提示缺失的假设和完成等式。为了训练形式数学的语言模型，作者提出了一个新颖的跳过树任务。他们发现，在跳转树任务上训练的模型表现出强大数学推理能力，并且优于在标准跳转序列任务上训练的模型。该工作还通过测量其他证明中可证明性和有用性的频率，分析了模型提出新猜想的能力。
AMiner，一个具有认知智能的学术搜索引擎：https://www.aminer.cn/
#AMiner# #论文#