我曾长期担任加拿大高级研究所高级研究员。我最近的一些奖项，主要得益于我的合作者，包括： ICML 2016 的最佳论文奖，ICLR 2016的最佳论文奖，IJCAI2013年杰出论文奖，Charles A. McDowell 优秀研究奖（2012年）和信息技术与复杂系统数学青年研究员奖（2010年）。

本年度，EMNLP 提交论文总数1509篇，比去年提升了40%。审阅论文1418篇（836篇长论文，582篇短论文），总共收录了323篇论文（长论文216篇，接受率25.8%，短论文107篇，接受率18.4%）。

有51位领域主席，980名审稿人。51名领域主席名单：David Bamman, Mohit Bansal, Roberto Basili, Chris Biemann,Jordan Boyd-Graber, Marine Carpuat, Joyce Chai, David Chiang, Jinho Choi, Jennifer Chu-Carroll, Trevor Cohn, Cristian Danescu-Niculescu-Mizil, Dipanjan Das, Hal Daume, Mona Diab, Mark Dredze, Jacob Eisenstein, Sanja Fidler, Alona Fyshe, DanGildea, Ed Grefenstette, Hannaneh Hajishirzi, Julia Hockenmaier, Kentaro Inui, Jing Jiang（新加坡管理大学）, Philipp Koehn, Mamoru Komachi, Anna Korhonen, Tom Kwiatkowski, GinaLevow, Bing Liu（伊利诺伊大学芝加哥分校）,Nitin Madnani, Mausam, Rada Mihalcea, Marie-Francine Moens,Saif M. Mohammad, Mari Ostendorf, Sameer Pradhan, Alexander Rush, Anoop Sarkar,William Schuler, Hinrich Schütze, Sameer Singh, Thamar Solorio, Vivek Srikumar, Amanda Stent, Tomek Strzalkowski, Mihai Surdeanu, Andreas Vlachos, Scott Wen-tau Yih, Zhang Yue（新加坡科技设计大学）。

最佳论文解读：Facebook智能体“对话产生语言”的研究获奖

先来看下这四篇有趣又干货满满的论文

第一篇最佳长论文：《男人也爱购物：用语料库级别的约束减少性别偏见的扩大》，作者是弗吉尼亚大学和华盛顿大学的 Jieyu Zhao，Tianlu Wang，atv，Mark Yatskar，Vicente Ordonez和 Kai-Wei Chang。

【摘要】配合来自网页上的图片集，语言正越来越多地被用于定义大量的视觉识别难题。在这些任务中，结构化预测模型被使用，以利用利用共同标签与视觉输入之间的相关性，但是这种方法会无意识地将网络语料库中存在的偏见也进行编码。

在这项工作中，我们研究了与多标签对象分类和视觉语义角色标签相关联的数据和模型。我们发现（a）这些任务的数据集包含明显的性别偏差，（b）基于这些数据集训练的模型进一步放大了现有的偏差。

例如，在训练数据集中，烹饪行为涉及女性的可能性比男性高33％，而训练好的模型在测试时会进一步将差异放大到68％。

我们建议加入语料库级别的约束，用于校准现有结构化预测模型，并设计一种基于拉格朗日松弛（ Lagrangian relaxation）的算法进行集体推理。

我们的方法在潜在的识别任务中，几乎不会导致任何性能的损失，同时分别将多重标签分类和视觉语义角色标记中的偏差放大幅度分别降低了47.5％和40.5％。

第二篇最佳长论文：《在线论坛中的抑郁与自我危害风险评估》。作者：Andrew Yates, Arman Cohan 和 Nazli Goharian。（目前还没有公开论文细节）

最佳短论文：《多智能体对话中，自然语言的出现并不那么“自然”》作者包括来自卡耐基梅隆、弗吉尼亚理工大学、佐治亚理工大学和Facebook AI 研究院的 Satwik Kottur， José M.F. Moura， Stefan Lee和 Dhruv Batra 。

【摘要】 最近的一些工作声称已经提出了在多智能体合作中用于端到端交流的通信协议的技术，同时，他们在智能体自己发展出来的协议中（这些协议都是智能体在没有人类监督的情况下自学习得到的），也发现了基于人的可解释语言的基础。

在本文中，通过使用两个智能体间的Task＆Talk参考游戏作为测试平台，我们提出了一系列“负面”结果，最终导致“积极”的结果，表明大多数智能体发明的语言都是有效的（即，获得近完美的任务奖励），但是他们肯定是不能解释或解构。实质上，我们发现自然语言不会自然而然地出现，尽管在近期的一些文献中，你可能会查到有人称自然语言出现是很容易的。

在研究中，我们讨论了如何通过增加对两个智能体可能沟通的限制条件，来将它们发明的语言来变得越来越人性化和结构化。

最佳资源论文：《将结构带入概括：众包概念地图基准语料库》。作者是达姆施塔特工业大学的Tobias Falke 和 Iryna Gurevych。