本次公布的获奖论文中，有多位华人作者。
The Web Conference（前身为 International World Wide Web Conference，WWW）会议是万维网领域的顶会，由图灵奖得主 Tim 创办，被中国计算机协会将其认证为 CCF-A 类会议，每年举办一次。
目前大会公布了最佳学生论文奖、最佳论文奖以及时间检验奖。
最佳论文奖
WWW 2024 最佳论文颁给了和大模型相关的研究。
标题：Mechanism Design for Large Language Models
论文地址：https://arxiv.org/pdf/2310.10826
作者：Paul Dütting、Vahab Mirrokni、Renato Paes Leme、Haifeng Xu、Song Zuo
机构：Google Research、芝加哥大学
这篇论文作者共有 5 位，包括两位华人。
Haifeng Xu 是芝加哥大学助理教授，并领导了 Sigma 实验室。在此之前，Haifeng Xu 在哈佛大学做过博士后，导师是 Yiling Chen 和 David Parkes，在南加州大学（USC）获得了计算机科学博士学位，导师是 Shaddin Dughmi 和 Milind Tambe（现任哈佛大学教授）。
图源：https://twitter.com/DSI_UChicago/status/1790839792906944650
Song Zuo 现在是谷歌研究科学家，此前，他在清华大学获得博士学位，本科毕业于清华姚班，主要研究方向为拍卖与机制设计，经济学与计算。
本文研究了拍卖机制（auction mechanisms），以支持人工智能生成内容的新兴格式。他们特别研究了如何以激励相容的方式聚合多个大型语言模型（LLM）。在这个问题中，每个智能体对随机生成内容的偏好被描述 / 编码为一个 LLM。这项研究的一个关键动机是设计一种 AI 生成广告创意的拍卖格式，以结合不同广告商的输入。研究者认为，尽管这个问题总体上属于机制设计的范畴，但它具有几个独特的特征。
本文提出了一种通用形式 —— token auction 模型来进行研究。该模型的一个关键特征是，它以 token 为单位进行操作，并允许 LLM 智能体通过单维度出价的方式来影响生成的内容。
本文首先探索了一种稳健的拍卖设计方法，在这种方法中，本文假设智能体偏好比结果分布更具有部分顺序。他们提出了两种自然的激励属性，并证明这些属性等同于分布聚合的单调性条件。本文还证明，对于这种聚合函数，即使在没有竞标者估值函数的情况下，也可以设计出第二价格拍卖（second-price auction）。接下来，本文通过聚焦于基于 KL 散度（LLM 中常用的损失函数）的具体估值形式，设计了具体的聚合函数。结果表明，福利最大化（welfare-maximizing）的聚合规则是所有参与者目标分布的加权（对数空间）凸组合。最后，本文通过实验结果支持了 token 拍卖的形式化。
两个不同的聚合函数生成的文本
最佳学生论文奖
来自爱丁堡大学的研究者摘得了本届最佳学生论文奖。
标题：Stable-Sketch: A Versatile Sketch for Accurate, Fast, Web-Scale Data Stream Processing
论文地址：https://homepages.inf.ed.ac.uk/ppatras/pub/webconf24.pdf
作者：Weihe Li、Paul Patras
机构：爱丁堡大学
论文摘要：数据流处理在各种与网络相关的应用中起着关键作用，包括点击欺诈检测、异常识别和推荐系统。然而，在数据流中准确快速地检测与这些任务相关的项目（如热门项目、重大变化项目和持久项目）并非易事。这是由于当前系统中不断增加的流速、有限的快速内存（L1 缓存）以及实际遇到的高度偏斜的项目分布。
本文引入了 bucket 稳定性的概念，它量化了记录项目变化的程度，并证明这是识别不同项目类型的强大指标。
在此基础上，本文提出了 Stable-Sketch，它利用了多维信息，包括项目统计和 bucket 稳定性，并采用随机方法来驱动替换决策。研究者对 Stable-Sketch 的误差范围进行了理论分析，并进行了大量实验，证明本文的解决方案在各种项目检测任务中，即使在内存紧张的情况下，也能实现更高的准确性和更快的处理速度。
首尔时间检验奖（Seoul Test of Time Award）
来自斯坦福大学的 Taher H Haveliwala 获得了时间检验奖。
标题：Topic-Sensitive PageRank
论文地址：http://www-cs-students.stanford.edu/~taherh/papers/topic-sensitive-pagerank.pdf
作者：Taher H Haveliwala
机构：斯坦福大学
在原始的 PageRank 算法中，通过计算一个单一的 PageRank 向量，并利用网页的链接结构来捕捉网页的相对重要性，然而这一过程与任何特定的搜索查询无关。
为了产生更准确的搜索结果，本文建议计算一组 PageRank 向量，从而使用一组具有代表性主题的偏置向量，以更准确地捕获特定主题的重要概念。通过使用这些（预先计算的）偏置的 PageRank 向量，本文展示了这种方法可以比使用单一的通用 PageRank 向量生成更准确的排名。
参考链接：https://www2024.thewebconf.org/program/awards/
