AMiner会议周刊旨在帮助大家了解人工智能领域的学术会议最新动态。近期顶会日程提醒，论文截稿时间（东八区时间）：ACL2021：2021年2月2日 19:59:59；ICML2021：2021年2月4日 19:59:59；KDD 2021：2021年2月9日 19:59:59；SIGIR 2021：2021年2月10日 19:59:59。
即将开始的会议：AAAI 2021:2021年2月2日-9日。
论文实现代码：ICLR2021 167篇代码论文：https://www.aminer.cn/conf/iclr2021/org/code；AAAI2021 81篇代码论文：https://www.aminer.cn/conf/aaai2021/org/code；IJCAI 2020 74篇代码论文：https://www.aminer.cn/conf/ijcai2020/org/code；NeurIPS2020 472篇代码论文：https://www.aminer.cn/conf/neurips2020/org/code。
计算机科学会议列表：AMiner在期刊会议评价方面提出了新改进与新想法，大家可以根据不同指标的特性，自主选择看重的特征，进行期刊会议的排名查看，希望能够给大家更多的参考指南。会议列表链接：https://www.aminer.cn/ranks/conf。
会议论文推荐：1. 论文名称：Deformable DETR: Deformable Transformers for End-to-End Object Detection；论文链接：https://www.aminer.cn/pub/5f803c8f91e01119a5df749b/?conf=iclr2021；所属会议：ICLR2020；推荐理由：近期提出的DETR在物体检测中不需要很多手工设计的部件，同时表现出良好的性能。
然而，由于Transformer注意力模块在处理图像特征图时的局限性，它存在收敛速度慢和特征空间分辨率有限的问题。为了缓解这些问题，作者提出了可变形DETR，其注意力模块只关注参考物周围的一小组关键采样点。可变形的DETR可以用10倍少的训练epochs实现比DETR更好的性能（尤其是在小物体上）。作者在COCO基准上进行的广泛实验证明了其方法的有效性。
2. 论文名称：Learning Cross-Domain Correspondence for Control with Dynamics Cycle-Consistency；论文链接：https://www.aminer.cn/pub/5fdc954991e01104c9181218/?conf=iclr2021；所属会议：ICLR2020；推荐理由：许多机器人问题的核心挑战是学习跨领域对应关系。
例如，模仿学习（imitation learning）需要获得人类和机器人之间的对应关系；模拟到真实（sim-to-real）需要物理模拟器和真实世界之间的对应关系；转移学习（transfer learning）需要不同机器人环境之间的对应关系。本文旨在学习不同表征(视觉与内部状态)、物理参数(质量和摩擦力)和形态(肢体数量)的领域之间的对应关系。
其中的重点是使用来自两个领域的未配对和随机收集的数据来学习对应关系。作者提出了使用周期一致性约束来对齐两个领域的动态机器人行为的动态周期。一旦找到对应关系，便可以直接将在一个域上训练的策略转移到另一个域，而不需要在第二个域上进行任何额外的微调。该框架能够在没有配对数据的情况下，将真实机器人手臂的未校准单眼视频与模拟手臂的动态状态动作轨迹进行对齐。
3. 论文名称：Cold-start Sequential Recommendation via Meta Learner；论文链接：https://www.aminer.cn/pub/5fd3411d91e01161cf739540/?conf=aaai2021；所属会议：AAAI2021；推荐理由：本文探讨了顺序推荐中的元学习，以缓解商品冷启动问题。
序列推荐旨在基于历史行为序列捕捉用户的动态偏好，是大多数在线推荐场景的关键组成部分。然而，现有的大多数方法在推荐冷启动项目时都会遇到问题，而冷启动项目在多数场景中都普遍存在。因此，作者提出了一种基于元学习的冷启动顺序推荐框架，即Mecos，以缓解顺序推荐中的物品冷启动问题。Mecos能够有效地从有限的交互中提取用户的偏好，并学习将目标冷启动项目与潜在用户进行匹配。
作者在三个真实世界的数据集上进行的大量实验验证了Mecos的优越性。
4. 论文名称：Rethinking Graph Regularization For Graph Neural Networks；论文链接：https://www.aminer.cn/pub/5f55ffd291e011c84a475957/?conf=aaai2021；所属会议：AAAI2021；推荐理由：图拉普拉斯正则化项通常用于半监督节点分类中，为特定模型提供图结构信息。
随着最近图神经网络的流行，直接将图结构编码到模型中已经成为比较常用的方法。作者表明图拉普拉斯正则化给现有GNN带来的好处微乎其微，但他们提出了一种简单而非平凡图拉普拉斯正则化变体：传播正规化，能够提升现有GNN模型的性能。该研究表明P-reg不仅为GNN注入了额外的信息（传统的图拉普拉斯正则化无法捕捉到的信息），还具有相当于无限深度图卷积网络的容量。
5. 论文名称：Document-Level Relation Extraction with Adaptive Thresholding and Localized Context Pooling；论文链接：https://www.aminer.cn/pub/5f92a15d91e011edb357392f/?conf=aaai2021；所属会议：AAAI2021；推荐理由：与句子级的关系提取（relation extraction, RE）相比，文档级的关系提取提出了新的挑战。
一个文档通常包含多个实体对，一个实体对在文档中多次出现，与多个可能的关系相关联。在本文中，作者提出了两种新的技术：自适应阈值和局部上下文池，以解决多标签和多实体问题。自适应阈值用一个可学习的实体依赖性阈值代替了之前工作中多标签分类的全局阈值。局部化的上下文池直接将注意力从预训练的语言模型转移到定位对决定关系有用的相关上下文上。
作者在三个文档级RE基准数据集上进行了实验，他们的模型的ATLOP（Adaptive Thresholding and Localized cOntext Pooling）的F1得分达到了63.4，并且在CDR和GDA上的表现也明显优于现有模型。以上数据由AMiner会议系统提供，想要查看更多会议内容请点击链接：https://www.aminer.cn/conf。