IJCAI 2024：论文提交量增加了23.8%，但录用率并无上升

作者丨张进 王悦

编辑丨陈彩娴

北京时间 8 月 9 日下午四点，第 33 届国际人工智能联合会议 IJCAI 正式结束，此次大会为期 7 天，于 8 月 3 日到 8 月 9 日在韩国济州岛举行，所有相关奖项均已公布。

根据 IJCAI 官方数据，IJCAI 2024 已经成为该会历史上规模最大的一届，今年的投稿数量达到了创纪录的 5651 篇，现场参会人数接近三千人，其中中国人约有一千人。

作为人工智能领域的 CCF-A 类顶级国际会议，第一届 IJCAI 会议要追溯到 1969 年加利福尼亚，之后每两年召开一次，从 2016 年开始 IJCAI 转为每年举办一次，去年 IJCAI-23 在澳门举行，无数人工智能研究人员从全球汇聚于此，在这个平台上展示前沿科学成果、展示论文，进行学术交流。

不同于在美国西雅图刚刚举办的 CVPR 会议以及接下来在泰国将要举行的 ACL 会议，IJCAI 是人工智能领域的综合类会议，本次会议涵盖了Learning、Neural Networks、Models、Transformer、Contrastive、Reinforcement等关键词，包含了多个领域，Uncertainty in  AI，Robotics，Search，Planning and Scheduling……共 15 个方向。

在 8 月 6 日的开幕式上，IJCAI 公布了今年的论文接收结果：5651 篇提交论文，其中 791 篇被接收，录用率为 14.0%。

对比上届，IJCAI-23 共有 4566 篇论文被提交，643 篇论文被接收，录用率为 14.1%。今年的论文提交量创下新高，提高了 23.8%，但录用率跟上年持平。

自 2020 年起，IJCAI 录用率便一路走低，接下来的几年一直在 14% 水平线上下徘徊，对比此前录用率保持在 20%—28% 范围内，自此网络上关于 IJCAI 录用严苛的讨论声起，今年也不例外。

对此，大会主席张成奇认为，作者会对论文是否投中的结果有一定程度上的不同意见，这是正常现象。对于这一争议，其他会议上也会存在。

据AI 科技评论观察，随着人工智能研究的蓬勃发展，IJCAI 等顶级会议的投稿量急剧增加，竞争越发激烈，特别从今年的提交数量高出去年 23.8% 便可看出。在这个阶段，学术界越来越重视研究质量而非数量，可能导致会议组织者更加谨慎选择收录的论文，如 IJCAI 这样的顶级会议开始呈现出以保证会议的学术水平和影响力、而降低录取率的趋势。

IJCAI  颁奖环节

Distinguished Papers

关注度较高的三篇 Distinguished Papers 中，没有中国学者上榜。

第一篇颁发给了 MIT、University of Chicago、TTIC 共同发表的《Online Combinatorial Optimization with Group Fairness Constraints》，该论文探讨了于在线组合优化领域引入群体公平性约束的新视角。

论文地址：https://www.ijcai.org/Proceedings/2024/0044.pdf

论文介绍：为了解决数字市场中的实施公平约束的问题，论文中提出了一个将鲁棒性和公平性纳入 NP 完全问题的通用框架，例如优化产品排名和最大化子模块函数。

利用这一框架可以将问题转化为旨在最大化平台目标的原始玩家和负责群体公平约束的双重玩家之间的最大最小博弈。最终表明，通过改变公平约束的阈值，可以追踪整个帕累托公平曲线。

第二批颁发给了由 Sapienza University of Rome、University of Bergamo 共同发表的《 Enhancing Controlled Query Evaluation Through Epistemic Policies》，该论文提出了通过认知策略增强受控查询评估的方法。

论文地址：https://www.ijcai.org/Proceedings/2024/0366.pdf

论文介绍：该论文提出了在受控查询评估（CQE）中，使用认知依赖来表达数据保护策略，这是一种在本体和数据库上保持机密性的查询应答形式。论文中还展示了这一框架的表达能力，并研究了当在描述逻辑 DL LiteR 中指定本体时，CQE 对于连词查询的数据复杂性。虽然这个问题通常很难解决，但论文中耶通提供了一个合适的查询重写算法，证明了非循环认知依赖情况下的可处理性。

第三篇颁给了Sorbonne University 发表的《Online Learning of Capacity-Based Preference Models》，研究了基于能力偏好模型的在线学习。

论文地址：https://www.ijcai.org/Proceedings/2024/0787.pdf

论文介绍：在多准则决策中，将基于容量的决策模型拟合到给定的决策者是一个具有挑战性的问题。该论文介绍了一种在线算法，用于学习容量的稀疏表示，该算法专为偏好示例按顺序可用的决策环境而设计。基于正则化对偶平均的方法，也很好地适用于涉及大量偏好示例或大量标准的决策环境。此外，文中提出了一种变体，使其可以在保持可扩展性的同时，基于乘数的交替方向方法，包括对容量的规范约束。

此外，IJCAI 每年都会评选出 Award for Research Excellence、Computers and Thought Award、John McCarthy Award、Donald E. Walker 四个奖项，授予在人工智能领域做出杰出贡献的科学家。

其中前三项的获奖者早在会议开始前一个月就在官网公开，8.6 日的开幕式上揭晓了Donald E. Walker的获奖者。

IJCAI 2024 Award for Research Excellence （卓越研究奖）通常办法给颁发给在整个职业生涯中始终坚持高质量研究计划并取得多项重大成果的科学家。2024 年卓越研究奖颁给了Thomas Dietterich，他是美国俄勒冈州立大学协作机器人与智能系统研究所 (CoRIS) 的杰出教授（名誉）兼智能系统主任。Dietterich 教授的研究聚焦在机器学习、顺序决策、机器学习系统的安全部署、生态系统管理中实际问题的应用等方面，数十年来在机器学习领域有着重要的领导地位，取得了多项开创性工作。

IJCAI 2024 Computers and Thought Award（计算机与思想奖）颁给了加拿大多伦多大学计算机科学副教授 Nisarg Shah。

Shah 博士的主要研究方向是利用社会选择理论原理在算法公平性理论方面的基础性工作。

IJCAI 2024 John McCarthy Award（约翰·麦卡锡奖）的获奖者是美国哥伦比亚大学统计学和计算机科学教授 David Blei。

Blei 教授因其在机器学习领域的开创性工作而获得认可，尤其是他在主题模型和随机变分推理领域的开创性贡献。

IJCAI 2024 Donald E. Walker（杰出服务奖）由 IJCAI 理事会于 1979 年设立，旨在表彰人工智能领域的资深科学家在其职业生涯中对该领域的贡献和服务。2024 年该奖项颁给了美国明尼苏达大学双城分校的 Maira Gini 教授。

AIJ 杰出论文奖（AIJ Prominent Paper Award）与 AIJ 经典论文奖（Classic AIJ Paper Award）

开幕式上还公布了两大奖项，分别是 AIJ 杰出论文奖（AIJ Prominent Paper Award 2021）与 AIJ 经典论文奖（Classic AIJ Paper Award）。

AIJ 的全称为“Artificial Intelligence Journal”，即《人工智能期刊》，始建于 1970 年，是人工智能研究领域的顶级学术期刊，具有公认的权威性与知名性。

2024 AIJ 杰出论文奖颁发给了由PUCRS（南里奥格兰德天主教大学）、阿伯丁大学于 2019 年共同发表的《Landmark-Based Approaches for Goal Recognition as Planning》。

该研究主要讨论了在自动化规划技术中，如何高效地识别目标和计划。特别是在需要快速且准确识别目标和计划的应用场景中，作者提出了一种新颖的目标识别方法。这些方法基于规划技术，特别是依赖于规划中的"里程碑"（landmarks）概念。

获得经典论文奖（Classic AIJ Paper Award）的是《 Agent-oriented-programming》 。这一篇论文发表于 1993 年，作者为斯坦福大学的 Yoav Sgoham 教授。

论文链接：https://www.sciencedirect.com/science/article/pii/0004370293900349

论文中提出了当时的一种新的计算框架，即 AOP，它可以被视为面向对象编程的专门化。论文中将 Agent 的状态在标准认知逻辑的扩展中得到了形式化的描述：除了将知识和信念运算符时间化之外，AOP还引入了义务、决策和能力运算符。

IJCAI-JAIR 最佳论文奖

自 2003 年起，IJCAI-JAIR 最佳论文奖每年从最近 5 年发表在 JAIR 的论文中评选并表彰一篇杰出论文。评审的标准基于论文的重要性和 presentation 的质量。

本届 IJCAI-JAIR 最佳论文奖授予了来自 MIT 和  Google Research 团队共同发表的《Confident Learning：Estimating Uncertainty in Dataset Labels》。

论文链接：https://arxiv.org/pdf/1911.00068v3

作者：MIT 的 Curtis G. Northcutt 和 Isaac L. Chuang，Google Research 的 Lu Jiang

论文介绍：该篇论文聚焦于人工智能行业长时间以来的痛点数据领域，提出了一种能够提高标签质量的方法 Confident Learning （CL）。论文中指出了 CL 准确发现标签错误的充分条件，并展示了 CL 性能超过了 CIFAR 数据集上使用噪声标签进行学习的七种最先进的方法。

AI 不止大模型

根据 IJCAI 官方公布的数据，对 IJCAI 2024 录用论文数据的统计分析来看，论文主要涵盖了 15 个主题领域，排名前十的有计算机视觉、机器学习、数据挖掘、多学科主题和应用、自然语言处理、博弈论和经济范式、AI 伦理信任和公平性、Agent- based和多 agent 系统、知识表示和知识推理、人类与人工智能。

其中，跟大模型相关的研究领域依然是 2024 IJCAI 最热，尽管 CVPR 刚过去不久，排在首位的关键词依然被计算机视觉霸占，跟 IJCAI-23 的大热门一样，计算机视觉和机器学习领域的提交和接收的论文数量最多，在一众领域中一骑绝尘。

计算机视觉有 1616 篇论文被提交，被录用 135 篇，录用率达到 8.4%，紧随其后的机器学习有 1542 篇论文被提交，234 篇被录用，录用率达到 15.2%，是计算机视觉的两倍。

自然语言处理在此次 IJCAI 大会上的论文提交和接收排到第五，论文提交 366 篇，接受 57 篇，录用率为 15.6%。

而排在第三位的数据挖掘论文提交数据出现大断层，有 499 篇论文被提交，不到计算机视觉和机器学习的三分之一，被录用 71 篇，录用率为 14.2%。

Agent 作为当前大模型落地的未来趋势，此次 IJCAI 主题演讲之一便是由南洋理工大学安波教授分享的《From Algorithmic and RL-based to LLM-powered Agents》，指出了目前自主 Agent 遇到的问题包括随机且开放的环境、分布式优化等。

同时，也分析了不同时期解决问题的途径：从 2006 年开始，运用优化技术去解决小范围问题；2017 年，可以使用强化学习的方法为去解决特定问题；直到 2023 年，大语言模型的使用可以去解决通用问题。这一演讲也给 Agent 的底层架构研究提供了新的启发与思路。

之外， Agent 层面还出现了很多创新性的工作。中国科学院大学黄凯奇团队，做了以游戏为场景的 Multi-Agent 强化学习研究。与过去学术界偏静态的多样性研究不同，这一工作的创新点在于引入模块化的智能体网络，促进了多智能体涌现动态自适应的多样性合作表现。

在现场，AI 科技评论听到了这样的一种评论：IJCAI 2024 有一些复古的色彩，因为它并没有完全被火热的大模型占据，仍然有很多人工智能领域传统的研究方向和话题，给传统研究提供了一席之地。

这一特点从议程中也可以窥知一二。在 Main Confrence 中，每天均至少设有六个关于 ML 细分方向的演讲，是所有方向中论文数量最多的一个。

除此之外， AI 科技评论也观察到 IJCAI 2024 有很多关于纳什均衡（NE）等博弈论的典型研究。南洋理工大学王新润等人的 《Reinforcement Nash Equilibrium Solver》提出了强化纳什均衡求解器（RENES），它可以训练一个单一的策略来修改不同规模的博弈，并将求解器应用于修改后的博弈，在原始博弈上评估获得的解。

这项工作初步验证了在 LLM 中取得成功的大规模预训练的方法可以在 game theory 领域获得应用，并且达成了zero-shot的 泛化，是迈向 game foundation model 的一小步。

除大热门计算机视觉和机器学习之外，今年  IJCAI 还新增加了三个特别的主题领域，分别是AI，Arts，and Creativity（人工智能、艺术和创造力），AI for Social Good （人工智能造福社会），Human-Centred AI（以人为中心的人工智能）。

“AI，Arts，and Creativity”是艺术跟AI结合的交叉领域，包括艺术创作、艺术品分析、音乐创作、创业写作等方向。

这一主题的演讲现场，人满为患，现场座位容纳不下，以至于会议室过道、门口都挤满了人，现场非常热闹，据 AI 科技评论现场观察，人工智能与艺术的结合的研究在整个 IJCAI 中非常受欢迎。这也说明了大模型应用落地依然是学界跟产业界共同关注的话题。

这一领域的话题大多围绕当下颇受关注的文生图和视频生成领域，探究更多风格的生成以及如何做出更具美感的视频。

“AI for Social Good”是指应用人工智能技术解决社会挑战并改善个人和社区的福祉，包括Google 的 AI for Social Good 计划，人工智能在健康方面的应用等等。

"Human-centred AI" 指的是以人为中心的人工智能，这是一种设计和开发人工智能系统的方法，强调以用户的需求、价值观和体验为核心。这种人工智能系统旨在增强人类的能力，提高效率。

写在最后

在本次 IJCAI 有 36 项 WorkShop 入选，除了当下最热的大模型研究之外，还包含了如脑研究、AI4医疗、AI4TS、无代码助理、推荐系统等多个前沿人工智能研究。

正如 AI 科技评论所接触的参会人员反馈，他们共同的感受是 2024 IJCAI 的确符合它综合会议的定义，本次大会覆盖范围很广、非常全面。

有现场的学者告诉 AI 科技评论，由于自己的研究方向并非是 NLP 和 CV ，导致自己能投的垂直领域会议较少，而 IJCAI 是为数不多适合投的顶会。

有着 56 年历史的 IJCAI，一方面在更多地展示其包容性与丰富性，另一方面，也孕育了 AI 未来更多新的可能性。

雷峰网雷峰网雷峰网(公众号：雷峰网)

雷峰网原创文章，未经授权禁止转载。详情见转载须知。