雷鋒網(wǎng) AI 科技評論按，ACL2018 將于 7 月 15 日-7 月 20 日在墨爾本召開，這也是 ACL 第二次登陸澳洲。從 2006 年 ACL 首次在悉尼召開，距今已 12 年之久。

據(jù)組委會介紹，ACL 社群正在持續(xù)增長中，截止到投稿日期前，共收到 1621 篇論文，其中長論文 1045 篇，短論文 576 篇。除去不合格和被駁回的論文，共計有 1551 篇論文進入最終審查（1021 篇長論文，530 篇短論文）名單。

隨著社群的增長，競爭也越來越激烈，最終，組委會在 1018 篇提交的長論文中接收 256 篇，在 526 篇提交的短論文中接收 125 篇，總體錄取率為 24.7%。

組委會同時透露接收論文的四大標準： 

• 審稿人提出的論文優(yōu)/缺點及這些意見的重要程度

• 討論的結果和作者的回復

• ?對計算機語言的貢獻：無論論文是否推進（或有助于）我們對語言的理解

• 多樣性：不希望 ACL 上充斥著各種相似的論文，比如在一個眾所周知的任務上實現(xiàn) 1% 的進步

除了以上四點標準，組委會還考慮到在論文類型、主題和所作貢獻之間做出平衡，并重新考慮了審稿人在初步審查中對論文所提出的問題。

除了論文，講者的競爭也異常激烈，組委會共收到 138 位特邀講者提名，最終選出兩位講者在主會上帶來特邀報告。

特邀報告

7 月 17 日上午，Carolyn Penstein Rosé 將帶來題為《Who is the Bridge Between the What and the How》的特邀報告，她是卡耐基梅隆大學計算機科學學院語言技術和人機交互系教授。她的研究項目專注于更好地理解對話的社交和實際屬性，并利用這種理解建立計算系統(tǒng)，以期提高人與人、人與計算機之間的對話效率。為了實現(xiàn)這些目標，她的研究涉足計算語篇分析和文本挖掘、對話智能體以及支持協(xié)同學習的計算機。

報告摘要

這篇報告會談到十多年來的研究，涉及到理論基礎激發(fā)了在網(wǎng)絡上對真實世界產(chǎn)生影響的計算模型。最早的語言哲學家和近期的社會媒體分析計算方法研究人員都承認語言間 what 和 how 的區(qū)別，what 指語言的命題內(nèi)容，how 指語言的形式、風格或者框架。而這些領域之間的橋梁是社會過程，它激發(fā)了在社會互動中產(chǎn)生特定命題內(nèi)容的語言選擇，旨在實現(xiàn)社會目標。

這些洞見使研究人員能夠理解討論過程和討論結果之間的聯(lián)系。這些發(fā)現(xiàn)一方面激勵了實時監(jiān)控討論過程的計算方法的設計，另一方面，激勵了支持網(wǎng)絡中交互的干預措施的設計，目的是讓學習、健康和福祉等各方面好于期望。

作為例子，在這次演講中，我們將探討被稱為 Transactivity 的特殊討論質(zhì)量。Transactivity 指對說話者的推理、對話者的推理以及他們之間關系的表示程度。

在不同的背景下，在非常明確的理論框架下，這種結構與團結、影響、專業(yè)知識遷移和學習有關。在 Transactivity 架構下，認知和社會根基是緊密聯(lián)系在一起的，對 who 建模就可以預測出 what 與 how 之間的聯(lián)系。

7 月 18 日上午，Anton van den Hengel 將帶來題為《Deep Neural Networks, and what they』re not very good at》的特邀報告，他是阿德萊德大學計算機科學學院教授，澳大利亞機器學習研究所所長，同時也是澳大利亞機器人視覺研究中心首席研究員。目前的研究興趣包括深度學習、視覺和語言問題、基于圖像的交互式建模、大規(guī)模視頻監(jiān)控、大型圖像數(shù)據(jù)庫學習。

?報告摘要

深度神經(jīng)網(wǎng)絡在機器學習的多個領域，包括計算機視覺和自然語言處理上都產(chǎn)生了不可思議的影響。然而，深度神經(jīng)網(wǎng)絡使用的是非常高維的隱式表示，因此特別適合于能通過之前方案的聯(lián)想回憶（associative recall）來解決的問題。機器學習不適合需要人工解釋的表示、顯式的符號操作或推理問題。深度神經(jīng)網(wǎng)絡對大量訓練數(shù)據(jù)的依賴也意味著它們通常只適用于問題以及測試數(shù)據(jù)可以提前預測的情況下。

將深度神經(jīng)網(wǎng)絡應用于視覺問題所取得的一些成果僅僅在幾年前都被認為是不可能實現(xiàn)的，同時，它還讓人們注意到當前的深度網(wǎng)絡在解決顯式推理（ explicit reasoning）的問題、知識庫應用或持續(xù)學習方面存在的缺陷。

在這次演講中，我將闡述一些為解決上述問題所采取的手段，以及一種新的學會學習的方法，我們希望這種方法能將深度學習的能力與基于顯式推理方法的顯著優(yōu)勢結合起來。

會議官網(wǎng)：https://acl2018.org

更多精彩內(nèi)容，敬請期待雷鋒網(wǎng) AI 科技評論的的專題報道。雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。