NIPS 更名风波再起,众多研究者联合抗议NIPS不改名决定

2018 年 10 月 22 日,神经信息处理系统大会(NIPS)基金管理委员会决定:NIPS 主会议将保持原名。而 10 月 24 日,由英伟达机器学习研究负责人 Anima Anandkumar 发起的联名抗议在机器学习社区迅速传播,很多研究者包括谷歌 AI 负责人 Jeff Dean 也都在上面签了名。

神经信息处理系统委员会一直在讨论会议名称问题,因为现用首字母缩略名「NIPS」具备冒犯性的内涵。为了更好地了解大众对 NIPS 名称的普遍看法,他们成立了一个「NIPS 命名行动小组」。该小组对 NIPS 社区进行了民意调查,向社区征集替代名称,对现有和替代名称进行评级,并征求更多意见。NPIS 委员会最后表示这项调查没有达成明确的共识,也没有出现更好的替代名称。

但是很快研究者就表示这样草率的决定他们接受不了,加州理工的 Bren Professor、英伟达机器学习研究负责人 Anima Anandkumar 率先发起一项联名抗议,Jeff Dean 和 Ian Goodfellow 等研究者也都转推并支持改名。

Ian Goodfellow 表示:「我认为 NIPS 改名才是正确的做法,女性科学家中的大多数都支持改名,德行领袖不应该完全由投票驱动。」

联名抗议地址:https://www.change.org/p/members-of-nips-board-protestnips-nips-acronym-encourages-sexism-and-is-a-slur-change-the-name

联名抗议信具体内容如下:

亲爱的 NIPS 董事会成员,

作为机器学习和数据科学领域的研究人员,我们写下这封公开信来提倡建立一个友好、多样化的 ML 社区。

最近,NIPS 2017 的一些不好的行为引起了我们的注意,它导致一个实验室禁止参加 NIPS 2018。我们理解董事会正在采取措施来评估这些行为导致的会议的变化。此外,该会议的首字母缩写容易出现不好的双关语,例如会前的「TITS」事件和印有「my NIPS are NP-hard」这种字样的 T 恤等。这些都颇快了会议环境,并且许多 ML 研究人员在其中经历了这种敌对环境。

这些事件给我们当中的一些研究者带来了不愉快的回忆,我们的职业道路受到骚扰行为的影响。NIPS 正处于快速扩张和变革的时期,我们认为采取认真的行动对社区的持续健康发展至关重要。

我们知道,NIPS 董事会已经任命了多元化和包容性主席,并正在努力制定更严格的行为准则,这种行为守则的范本可从其他会议获得。我们支持这一举措,并进一步希望当出现可能让其他与会者感到不舒服的社交行为时,与会者能够积极鼓励他们大胆发声。我们还期望这一行为守则将说明骚扰的后果,并符合 NSF 最近关于报告骚扰的政策变化。

我们还建议进行更彻底的变革:对这个会议进行品牌重塑,包括更改会议名称。当然,NIPS 这个名字有着悠久而杰出的历史,但它很容易受到与性相关的双关语攻击。在这个时候改变会议名可以作为一项强有力的象征性举措,这将表明董事会致力于改善该领域的文化,并使该会议成为包容性方面的领导者。

我们还认为,关于改名的粗糙调查令 AI/ML 社区感到尴尬。这些调查在科学上是不合理的,原因有很多:(1) 存在着巨大的采样偏差,大多数接受调查的男性对名字没有异议,而女性是幸存者。(2) 对中性反应(无变化)和变化给予了同等的权重,因此假负类和假正类采用了相同的处理;(3) 对少数群体的偏见和歧视问题,不应以多数人的意见作为决策的依据。

我们感谢 NIPS 举办并突出了 Women in Machine Learning 和 Black in AI 这些 workshops,我们期待 NIPS 进一步努力欢迎不同背景的贡献者加入这个领域。我们希望 NIPS 委员会增加这方面的努力,而不是减少。

感谢您的关心和快速反馈。

PS:这封信主要是由 JHU ML 的研究人员发给 NIPS 董事会的那封信改动而成。我根据 Daniela Witten 的推文补充了 NIPS 名称变更调查的缺点。

产业学术会议NIPS
相关数据
Ian Goodfellow人物

Ian Goodfellow 是机器学习领域备受关注的年轻学者之一,他在本科与硕士就读于斯坦福大学,师从吴恩达,博士阶段则跟随蒙特利尔大学的著名学者Yoshua Bengio研究机器学习。Goodfellow 最引人注目的成就是在2014年6月提出了生成对抗网络(GAN)。这一技术近年来已成为机器学习界最火热的讨论话题,特别是在最近几个月里,与GAN有关的论文不断涌现。GAN已成为众多学者的研究方向。

权重技术

线性模型中特征的系数,或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0,则相应的特征对模型来说没有任何贡献。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

非定常多项式技术

非定常多项式(英语:non-deterministic polynomial,缩写:NP)时间复杂性类,或称非确定性多项式时间复杂性类,包含了可以在多项式时间内,对一个判定性算法问题的实例,一个给定的解是否正确的算法问题。 NP是计算复杂性理论中最重要的复杂性类之一。它包含复杂性类P,即在多项式时间内可以验证一个算法问题的实例是否有解的算法问题的集合;同时,它也包含NP完全问题,即在NP中“最难”的问题。计算复杂性理论的中心问题,P/NP问题即是判断对任意的NP完全问题,是否有有效的算法,或者NP与P是否相等。

推荐文章
暂无评论
暂无评论~