AAAI2022国际顶会Workshop将会讨论些什么？
来源: AINLPer 微信公众号（每日论文干货分享！！）
编辑: ShuYini
校稿: ShuYini
时间: 2021-12-09
1、引言
目前关于AAAI2022的论文List还没有贴出来，但是目前的WorkShop的日程已经出来了，今天整理了一下给大家分享。本次AAAI2022研讨会计划于2022年2月28日至3月1日，共有39个。其中在技术研究领域涉及：强化学习、图神经网络、交互式机器学习、模型鲁棒等；在应用领域涉及了医疗、金融、交通、教育、农业食品等。
这里可能有小伙伴对于国际会议的workshop不是很理解。这里也给大家解释一下：WorkShop可以理解为研讨会，主要是为研究人员、开发人员和用户就当前感兴趣的主题进行积极交流提供的环境，会场比较小，一般就是二三十个人参加，但是此类活动互动性特别好，能够让大家畅所欲言交流自己的想法。
最后我还收集了WorkShop中关于强化学习的论文，共计：17篇Long Paper、8篇Short Paper、3篇Oral。对强化学习感兴趣的小伙伴可以选择下载。下载方式：关注: AINLPer 回复：AAAI2022
如果大家发现我有写的不对的地方，还请您批评指正；同时也欢迎大家给我提意见，因为我想做的更好，谢谢~~
AAA2022 Workshop介绍
W1: Adversarial Machine Learning and Beyond【强化学习】
本次研讨会旨在讨论有关对抗性 ML 的重要主题，以加深我们对对抗性环境中的 ML 模型的理解，并在现实世界中构建可靠的 ML 系统。
W2: AI for Agriculture and Food Systems (AIAFS)【农业/食品领域】
该研讨会旨在汇集来自核心 AI/ML、机器人、传感、网络物理系统、农业工程、植物科学、遗传学和生物信息学社区的研究人员，以促进 AI/ML 与农业和食品系统日益协同的交叉。
W3: AI for Behavior Change【人类行为】
该研讨会建立在去年成功举办的智能改变行为研讨会基础上，并将重点关注人工智能和机器学习的进步，旨在（1）设计和聚焦最佳干预；(2) 探索决策背景下的偏见和公平，以及 (3)利用移动健康、社交媒体使用、电子健康记录、大学考勤记录、健身app等领域的数据集进行行为科学的因果估计。
W4: AI for Decision Optimization【决策优化】
该研讨会将探讨如何使用AI来简化高效生产水平的模型，从而使其得到更广泛的应用并产生商业价值。本次研讨会的期望成果是通过将机器学习和决策从动态和静态优化模型的角度结合起来，推动该领域的研究与合作。
W5: AI for Transportation【交通】
本次研讨会的目的是关注 ITS 应用各个学科的原创研究和评论文章，特别包括用于 ITS 时间序列数据分析的 AI 技术、ITS 时空数据分析、高级交通管理系统、高级旅客信息系统 、商用车操作系统、先进的车辆控制和安全系统、先进的公共交通服务、先进的信息管理服务等。
W6: AI in Financial Services: Adaptiveness, Resilience & Governance【金融服务】
金融服务行业在所有业务功能和服务中都严重依赖人工智能和机器学习解决方案。然而，受监管合规性的限制，大多数模型和人工智能系统都是在保守的操作环境下构建的。最近几个月/几年，Covid 大流行引发的全球范围的变化。这些变化影响了 AI/ML 系统的使用环境及其数据输入。因此，许多 AI/ML 系统面临严重的性能挑战。全行业报告解决故障和性能问题的救措施，其中大部分都强调了模型治理和合规流程的挑战。
W7: AI to Accelerate Science and Engineering (AI2ASE)【工程应用】
不同领域的科学家和工程师越来越依赖于使用人工智能工具来加速科学发现和工程设计。该研讨会旨在汇集来自人工智能和不同科学/工程社区的研究人员，以实现以下目标：1) 识别并理解将人工智能应用于特定科学和工程问题的挑战；2) 针对新的问题设置和挑战开发、调整和完善人工智能工具；3) 社区建设和教育，鼓励人工智能研究人员和领域专家之间的合作。
W8: AI-Based Design and Manufacturing (ADAM) 【设计制造】
这次首届设计与制造人工智能研讨会(ADAM)旨在汇聚来自核心人工智能/ML、设计、制造、科学计算和几何建模的研究人员。我们的目的是为核心工程设计、仿真和制造提供新的AI/ML技术。ADAM的目标包括概述该领域的主要研究挑战，人工智能研究人员和工程设计和制造领域专家之间的交叉合作，以及概述共同感兴趣的开放问题。
W9: Artificial Intelligence for Cyber Security (AICS)【网络安全】
研讨会将重点关注人工智能在网络安全问题中的应用。网络系统产生大量数据，要想有效的利用这些数据已经超出了人类能力。此外，攻击者还在继续开发新的攻击。因此，需要人工智能方法来理解和保护网络领域。
W10: Artificial Intelligence for Education (AI4EDU)【教育】
在过去的几年里，技术发生了变化，曾经的未来想法也渐渐变成了今天的现实。 人工智能现在正在塑造企业、政府和教育机构做事的方式，并正在进入许多国家的教室、学校和地区。在教育行业中取得了不错的成就，这表明将人工智能引入教育的巨大潜力和广阔的发展前景，但人工智能技术在教育实践中的开发和应用也面临着独特的挑战，包括但不限于极端数据稀疏、缺乏标记数据以及隐私问题。因此，本次研讨会将重点介绍人工智能应用于教育的研究进展，并讨论处理人工智能教育实践中遇到的挑战的最新进展。
W11: Artificial Intelligence Safety (SafeAI 2022)【社会安全】
人工智能 (AI) 领域的加速发展需要将安全视为一种设计原则而不是一种选择。然而，人工智能和安全的理论家和从业者面临着不同程度的安全、不同的道德标准和价值观以及不同程度的责任，迫使他们研究多种权衡和替代解决方案。在本次研讨会中，我们希望探索将短期问题与长期问题、理想主义与务实解决方案、运营与政策问题以及工业与学术界联系起来的方法，以构建、评估、部署、运营和维护安全的人工智能系统。
W12: Artificial Intelligence with Biased or Scarce Data【稀缺数据下的模型构建】
将人工智能 (AI) 算法集成到自动驾驶汽车、工业机器人和医疗保健等实际应用中仍然具有挑战性。造成这种情况的一个主要原因是我们这个世界固有的长尾性质，它不仅需要使用大量数据来训练算法，还要求这些数据包括尽可能多的罕见事件。鉴于这些问题，以及人工智能在现实世界中的日益普及，我们为学术和行业研究人员和从业者提供一个集中的场所，讨论在数据稀缺和/或偏差下构建人工智能系统的研究挑战和解决方案。
W13: Combining Learning and Reasoning: Programming Languages, Formalisms, and Representations (CLeaR)【整合范式】
本次研讨会汇集了来自不同背景、不同观点的研究人员，讨论适合结合学习和推理的语言、形式主义和表示。该研讨会旨在桥接学习和推理的形式主义，例如神经和符号方法、概率编程、可微编程、统计关系学习以及在深度模型中使用不可微优化。本次研讨会想强调整合范式对于解决新一波人工智能应用的重要性。
W14: Deep Learning on Graphs: Methods and Applications (DLG-AAAI’22)【图深度学习】
我们邀请提交关于图深度学习创新研究和应用的论文。鼓励引入新的理论概念或方法，有助于通过广泛的实验更好地理解新出现的概念，或证明这些方法在某个领域的新应用。
W15: DE-FACTIFY :Multi-Modal Fake News and Hate-Speech Detection【多模态】
该研讨会将鼓励从事多模态和/或事实核查的跨学科领域的研究人员齐聚一堂，致力于多模态（图像、模因、视频等）事实核查。同时，多模态仇恨、欺骗言论检测是一个重要问题，但并未受到太多关注。最后，自然语言处理 (NLP) 和计算机视觉 (CV) 论坛都对学习联合模式感兴趣。
W16: Dialog System Technology Challenge (DSTC10)【智能对话】
对话系统技术挑战赛（DSTC）研讨会的主要目标是分享第十届对话系统技术挑战赛（DSTC10）五个主要赛道的成果。
W17: Engineering Dependable and Secure Machine Learning Systems (EDSMLS 2022)【工程可依赖】
该研讨会征集解决与 ML 系统的可靠性、质量保证和安全性相关的问题和解决方案的原创贡献。该研讨会结合了多个学科，包括机器学习、软件工程（强调质量）、安全性和博弈论。它进一步将学术界和工业界结合起来，寻求有充分根据的实用解决方案。
W18: Explainable Agency in Artificial Intelligence【可解释】
随着人工智能(AI)开始影响我们的日常生活、行业、政府和社会，对用户来说，理解基于人工智能的系统的决策和建议背后的原因和模型变得越来越重要。本次研讨会旨在汇集研究这些问题不同方面的研究人员和从业人员，他们来自不同的背景，分享挑战、新方向、最新研究成果和应用经验教训。
W19: Graphs and More Complex Structures for Learning and Reasoning (GCLR)【复杂模型结构】
这个研讨会的目的是将来自不同但相关领域的研究人员聚集在一起，就新的具有挑战性的应用进行有趣的讨论，这些应用需要复杂系统建模和巧妙推理方法。我们邀请了几位杰出的演讲者，他们的研究兴趣涵盖了图复杂网络机构的理论知识和实验结果。
W20: Health Intelligence (W3PHIAI-22)【健康】
本次研讨会的目标是创建和完善基于人工智能的方法来：(1)处理个性化数据，(2)帮助患者(和家属)参与护理过程，(3)提高患者参与，(4)帮助医生利用这种参与提供高质量和高效的个性化护理。(5)将患者与其护理环境之外的信息联系起来。健康数据的提取、表示和共享、患者偏好引导、“通用”治疗计划的个性化、对护理环境和可用健康专业知识的适应以及使患者可以访问医疗信息是需要人工智能来解决此类相关问题。
W21: Human-Centric Self-Supervised Learning (HC-SSL)
首届 HC-SSL 研讨会的目标是突出和促进该领域的讨论，并向与会者展示 SSL 在以人为中心的表征学习的新兴潜力，并在 SSL 的背景下促进负责任的人工智能。
W22: Information-Theoretic Methods for Causal Inference and Discovery (ITCI’22)【因果推论】
ITCI ’ 22的目标是将信息理论、因果推理和机器学习交叉领域的研究人员聚集在一起，以促进新的合作，并提供一个头脑风暴新想法的场所，将因果推理和发现作为一个应用领域，并强调由实际的ML问题激发的重要技术挑战， 提请更广泛的机器学习社区注意因果推理和信息理论交叉的问题，并向社区展示信息理论工具的效用，以解决因果ML问题。
W23: Information Theory for Deep Learning (IT4DL)【信息理论】
在有限标注数据的情况下，信息论已经被证明解决此类问题的巨大潜力。近年来，各种信息理论原理也以富有成效的、非正统的方式应用于不同深度学习相关的人工智能应用中。值得注意的例子包括解释dnn泛化行为的信息瓶颈(IB)方法和视觉表示学习中的信息最大化原则。本次研讨会旨在汇聚学术研究人员和行业从业者，分享信息理论和深度学习的交集，以及它们在不同人工智能应用中的实际应用。
W24: Interactive Machine Learning【交互ML】
交互式机器学习(Interactive Machine Learning, IML)关注的是使机器与人类代理合作的算法的发展。一个挑战是如何以一种透明、高效、有益于人类-人工智能团队的方式将人整合到学习循环中，以支持不同需求和具有不同专业水平的用户。本次研讨会旨在汇聚工业界、学术界、人工智能及周边领域不同学科的研究人员，探讨人工智能领域的挑战和创新。
W25: Knowledge Discovery from Unstructured Data in Financial Services 【金融知识提取】
近几十年来，从各种数据源中发现知识已经引起了许多实践者的关注。它的功能已经从处理结构化数据(如DB事务)扩展到非结构化数据(如文本、图像和视频)。尽管大量研究集中于从新闻、网络和社交媒体数据中发现数据，但它在专业背景的数据集(如金融备案和政府报告)中的应用仍面临巨大挑战。该讨论会主要专注于研究如何使用人工智能技术从金融服务的非结构化数据中提取知识。
W26: Learning Network Architecture during Training【自学习】
在本次研讨会中，我们将着重于一种对比鲜明的方法，即在训练期间学习架构。本主题包含了神经体系结构搜索(Neural Architecture Search, NAS)的形式，其中每个体系结构的性能属性经过一些培训后，用于指导选择要尝试的下一个体系结构。本主题还包括在训练网络时增加或改变网络的技术。后者的一个例子是级联相关算法，以及其他在训练过程中根据手头问题的需要逐步构建或修改神经网络的算法。
W27: Machine Learning for Operations Research (ML4OR)【运筹学】
AAAI 运筹学机器学习研讨会 (ML4OR) 建立在过去 5 年中 OR 和 ML 社区的势头基础上，旨在将现代 ML 方法建立为各级“一等公民” 的 OR 工具包。ML4OR 将作为一个跨学科论坛，供两个领域的研究人员讨论该界面的技术问题，并展示适用于基本 OR 构建块（例如整数规划求解器）或特定应用程序的 ML 方法。
W28: Optimal Transport and Structured Data Modeling (OTSDM)【物流运输】
在过去几年中，用于建模来自生物学、化学、网络科学、自然语言处理和计算机视觉应用的结构化数据的数学方法得到了快速发展。最近开发的来自最佳运输理论的工具和尖端方法已被证明对这些任务特别成功。该研讨会旨在为不同社区的研究人员提供一个首要的跨学科论坛，以讨论最佳运输和结构化数据建模的最新趋势、创新、应用和挑战。
W29: Practical Deep Learning in the Wild (PracticalDL2022)【实际应用】
人工智能领域的研究表明，由于缺乏模型效率和户外数据和场景的鲁棒性，它们距离实际户外应用还有一定的距离。在效率方面，训练一个包含数十亿参数的神经网络，并将其部署到边缘设备上是不切实际的。 考虑到鲁棒性，带有噪声的输入数据经常出现在实际应用场景中，这为实际中构建鲁棒AI系统提出了关键挑战。现有的一些研究也表明，深度学习模型的鲁棒性和准确性之间存在权衡。
这些复杂的需求给本次研讨会主题的研究带来了深远的影响和兴趣，即使用高效和强大的深度学习模型构建实用的人工智能。第一个专注于人工智能户外实践深度学习的研讨会，具有重要意义。
W30: Privacy-Preserving Artificial Intelligence【隐私保护】
第三届AAAI人工智能隐私保护研讨会(PPAI-22)是在前几年PPAI-20和PPAI-21的成功基础上举办的，旨在为研究人员、人工智能实践者和决策者提供一个平台，讨论人工智能应用中与隐私相关的技术和社会问题，并提出解决方案。该研讨会将重点关注与隐私保护人工智能系统和算法设计相关的理论和实践挑战，并将具有强大的多学科组成部分，包括就政策、法律问题和人工智能隐私的社会影响征集意见。
W31: Reinforcement Learning for Education: Opportunities and Challenges【教育】
RL4ED 旨在促进对强化学习 (RL) 和教育 (ED) 领域感兴趣的研究人员和从业者之间建立更紧密的联系。研讨会将重点关注两个重点：1) 探索我们如何利用 RL 方法的最新进展来改进最先进的 ED 技术；2) 确定 ED 中的独特挑战，可以帮助培育 RL 的技术创新和下一个突破。
W32: Reinforcement Learning in Games (RLG)【游戏】
游戏提供了一个抽象和正式的环境模型，其中多个代理进行交互:每个玩家都有一个明确定义的目标和规则来描述玩家之间交互的影响。在超人类水平上玩这些游戏的第一个成就是通过依赖和利用手动设计的领域专业知识（例如国际象棋、跳棋）的方法获得的。本次研讨将主要讨论强化学习在游戏中的应用。
W33: Robust Artificial Intelligence System Assurance (RAISA) 【鲁棒性】
鲁棒人工智能系统保障（RAISA）研讨会将重点关注鲁棒人工智能（AI）和机器学习（ML）系统的研究、开发和应用。我们的方法不是研究特定 ML 算法的鲁棒性，而是在系统架构级别、开发和部署期间以及人机协作环境中探索鲁棒性保证。
W34: Scientific Document Understanding (SDU)【学科进展】
研究论文、专利、书籍或技术报告等科学文献是人类知识最宝贵的资源之一。在 AAAI-22 科学文献理解研讨会 (SDU@AAAI-22) 上，我们旨在收集有关科学文献理解的最新进展和剩余挑战的见解。邀请相关领域的研究人员提交有关 SDU 的最新进展、资源、工具和即将面临的挑战的论文。除此之外，我们提出了一项具有挑战性的 SDU 任务的共享任务，即多语言文本中的首字母缩略词提取和消歧。
W35: Self-Supervised Learning for Audio and Speech Processing【语音】
最近用于语音/音频处理的自监督方法也越来越受到关注。在 ICML 2020 和 NeurIPS 2020 上举办了两次关于类似主题的研讨会，两个研讨会都得到了积极的参与和反馈。我们很高兴继续推动语音/音频处理领域自我监督的创新，并激励这些领域为一般机器学习社区做出贡献。本次研讨会的目标是连接语音和音频领域内外的自我监督研究人员，讨论前沿技术，激发思想和合作，推动研究前沿。
W36: Trustable, Verifiable and Auditable Federated Learning【联合学习】
该研讨会旨在将 FL 研究人员和从业者聚集在一起，以解决 FL 中额外的安全和隐私威胁和挑战，使其在社区中得到广泛采用和广泛接受。 研讨会中的讨论可以导致实施更准确、稳健和可解释的 FL 解决方案，并获得 FL 参与者的信任。
W37: Trustworthy AI for Healthcare【可信医疗】
在本次研讨会中，我们旨在解决临床 AI 解决方案中值得信赖的问题。我们的目标是将人工智能、医疗保健、医学、NLP、社会科学等领域的研究人员聚集在一起，促进讨论和合作，以开发更可靠、更容易被医生接受的可信人工智能方法。以前与医疗保健相关的研讨会侧重于如何开发人工智能方法来提高临床决策的准确性和效率，包括诊断、治疗、分类。没有讨论临床 AI 方法的可信问题。在我们的研讨会中，我们特别关注医疗保健 AI 中的可信问题，旨在使临床 AI 方法在实际临床环境中更加可靠，并被医生愿意使用。
W38: Trustworthy Autonomous Systems Engineering (TRASE-22)【工程可信】
这个关于可信赖自治系统工程 (TRASE) 的研讨会提供了一个机会来展现可信赖自治系统的最新研究，并展望了未来在这个AI和信息物理系统交叉的关键领域的基础和应用进展。 TRASE 研讨会的使命是将来自多个工程学科的研究人员聚集在一起，包括计算机科学和计算机、机械、电气和系统工程，他们将精力集中在理解两个特定的 TRASE 子问题上，例如感知、规划和控制 ，以及强大而可靠的端到端自治集成。
W39: Video Transcript Understanding【视频转文字】
视频已经成为无处不在的知识来源：课程、演讲、会议、纪录片、直播流、会议录音、视频博客。这就产生了对文字记录理解的强烈需求。然而，在线共享的音频和视频内容的质量以及语音和视频文本的性质对现有的自然语言处理提出了许多挑战。该研讨会主要是将来自各个领域的研究人员聚集在一起，以充分利用所有这些视频所包含的知识。邀请相关领域的研究人员提交有关 VTU 的最新先进技术、资源、工具和挑战的论文。 我们还将在本次研讨会中组织 3 个共享任务：标点恢复、标点恢复的域适应和闲聊检测。
推荐阅读
1、【南洋理工&&含源码】鲁棒问答的内省蒸馏（IntroD）
2、【NLP论文速递】邮件主题生成 && 舆论检测及立场分类
3、【英国谢菲尔德大学&&含源码】社交媒体舆论控制(RP-DNN)
4、【硬核干货，请拿走！！】历年IJCAI顶会论文整理（2016-2021）
6、必看！！【AINLPer】自然语言处理（NLP）领域知识&&资料大分享
7、收藏！「自然语言处理(NLP)」你可能用到的数据集(一)
8、收藏！「自然语言处理(NLP)」你可能用到的数据集(二)
9、重磅！「自然语言处理（NLP）」一千多万公司企业注册数据集
10、收藏！！「自然语言处理（NLP）」学术界全球知名学者教授信息大盘点（全）！
11、「自然语言处理(NLP)论文推送」清华大学XQA数据集（含源码）！
最后不是最后
关注 AINLPer 微信公众号（每日都有最新的论文推荐给你！！）