实验室2篇论文被AAAI 2024接收

2023年12月9日，实验室2篇论文被AAAI 2024接收。AAAI会议的全称是The Annual AAAI Conference on Artificial Intelligence，由Association for the Advancement of Artificial Intelligence主办，是人工智能领域的CCF-A类国际会议，今年是该会议第38届。论文的信息概要如下：

1. Online Conversion Rate Prediction via Multi-Interval Screening and Synthesizing under Delayed Feedback (Qiming Liu, Xiang Ao, Yuyao Guo and Qing He) (Main Track)

成本付费（Cost Per Action）展示策略的广泛采用，使得实时转化率预测（Conversion Rate）的需求与日俱增，延迟反馈正在成为在线广告中的主要挑战之一。由于大量样本的真实标签只能在长时间延迟后获得，观察到的训练数据通常存在偏差，影响模型的性能。最近的研究表明，将具有不同等待窗口的模型集成以观察真实标签是有益的，但是聚合框架的设计仍然远未达成共识。在这项工作中，提出了多区间筛选与分析模型（Multi-Interval Screening and Synthesizing Model）用于在线CVR预测。作者首先设计了一个多区间筛选模型，具有各种输出头部，以产生准确和独特的估计。然后，应用一个轻量级的合成模型，通过组装的训练流程充分利用头部之间的知识和关系，获得可靠的预测。对两个真实广告数据集进行了大量实验证实了模型的有效性。

2. TA&AT: Enhancing Task-Oriented Dialog with Turn-Level Auxiliary Tasks and Action-Tree Based Scheduled Sampling (Longxiang Liu, Xiuxing Li, Yang Feng)(Main Track)

简介：得益于对话预训练的发展，任务型对话系统性能取得了很大提升。然而，仍然存在两个重大挑战：第一，大部分的系统只是简单使用最近一轮的状态标注来训练生成模型，忽略了它们对于提升模型理解能力的价值；第二，对生成对话策略的过度依赖会造成错误累积问题，从而在不合理策略的条件下生成不合适的回复。为了缓解以上问题，我们分别在编码器和解码器端提出改进：在编码器端，我们提出轮级别的多任务目标，通过标注中高层次关键信息的指导，学习到对于理解和生成更好的表示；在解码器端，我们提出基于动作树的计划采样技术。受到SPACE (He等, 2022)的启发，我们将层次化的对话策略建模成树，并且基于树的相似度来计划采样负策略，鼓励模型在扰动策略下仍然生成正确的回复。通过模拟测试时可能出现的微小错误，来减小训练与测试时的差距。在同等条件下，我们的方法在MultiWOZ系列数据集上的性能超过了其他方法，并且相比于进行了持续预训练的工作，也具有可比性。