優必選獲IJCAI 2017最佳學生論文獎，13篇論文入選國際頂級人工智慧會議

雷鋒網 AI 科技評論按：人工智慧領域最頂級的學術會議之一IJCAI（International Joint Conference on Artificial Intelligence，國際人工智慧聯合會議）於8月19日在澳大利亞墨爾本正式召開。在人工智慧界，IJCAI一直享有盛譽。該會議聚集了人工智慧領域最頂尖的研究者和優秀從業者，關注研討領域涵蓋機器學習、計算可持續性、圖像識別、語音技術、視頻技術等，對全球人工智慧行業具有巨大影響力。

隨著近年來人工智慧領域的研究和應用持續升溫，越來越多的國內企業和學者也在積极參与 IJCAI 並發表論文。今年，IJCAI共收到2540篇論文投稿，再創歷史新高，最終錄用660篇，錄用率為26%。其中，由優必選AI首席科學家陶大程博士領導的優必選悉尼AI研究院有13篇論文被接收，同時陶大程博士還擔任了此次會議的Area Chair。在這13篇論文中，《Tag Disentangled Generative Adversarial Networks for Object Image Re-rendering》這篇論文一舉斬獲最佳學生論文獎（Student Best Paper 2017, 地址：https://www.ijcai.org/proceedings/2017/0404.pdf），《General Heterogeneous Transfer Distance Metric Learning via Knowledge Fragments Transfer》（Distinguished Paper Award finalist）地址：https://www.ijcai.org/proceedings/2017/0341.pdf）則進入最佳傑出論文獎前三名。

具體論文列表如下：

論文1：Tag Disentangled Generative Adversarial Networks for Object Image

Re-rendering

本文提出了一種全新的神經網路框架，標籤分解生成對抗網路(Tag Disentangled Generative Adversarial Networks, TDGAN)，用於進行目標圖像的再次渲染(Re-rendering)。給定目標圖像作為輸入，該網路(TDGAN)即可根據指定要求修改圖像內容，並生成符合描述的圖像。例如，改變輸入圖像的觀察角度，光照條件，人臉表情等等。和以往工作不同，通過利用圖像與其標籤的對應關係，即標籤是圖像分解表徵(disentangled representations, DR)的具體描述，我們訓練分解網路以提取輸入圖像的分解表徵(DR)。同時，在生成對抗網路(GAN)的框架下，給定分解表徵(DR)，生成網路被訓練以生成相應的圖像。最終，通過控制輸入圖像的分解表徵(DR)，我們便可以完成不同的圖像再渲染任務。經實驗證明，TDGAN能夠按照描述生成高質量的目標圖像，進一步提升了圖像再渲染任務的性能，在兩個不同的數據集上，TDGAN的表現均超越了當前最優模型。

論文2：Adaptive Manifold Regularized Matrix Factorization for Data Clustering

本文將觀測數據的聚類看作是穩健的矩陣分解，將這種穩健的矩陣分解結果作為監督信息加入到提出的分解模型中，實現在學習到映射矩陣的同時不斷的調整提出的分解模型，並在求解中通過一種新型的增廣拉格朗日乘子約束，實現自適性的流形正則矩陣分解，減少由於核函數、核參數等選擇造成聚類結果不穩定的影響。

論文3：On Gleaning Knowledge from Multiple Domains for Active Learning

本文將目標域數據和源域數據融合到同一個主動學習框架中，通過融合框架查詢目標域樣本進行標記，不斷地修改源域數據樣本的權重，使其更加適合目標域數據的分類任務，達到充分利用已有多源數據和最大化減少目標任務耗損的目的。

論文4：Improving Stochastic Block Models by Incorporating Power-Law Degree Characteristic

該文章將點度的冪律分布引入傳統的隨機塊模型，糾正了傳統模型不能處理常見網路數據中的無標度特徵的缺點，提高了網路社區檢測的精度。

論文5：Fast SVM Trained by Divide-and-Conquer Anchors

本文提出的DCA-SVM演算法利用NMF低維投影保持凸殼上頂點不變的特性，利用分治策略快速求解的近似凸殼訓練SVM，並證明了本文的近似SVM與傳統SVM的上下界關係。在不降低分類準確率的前提下，本文的演算法極大的提升了SVM的訓練速度。

論文6：Feature Structure Transfer Learning

這篇論文講述了不同數據分布中的數據結構是怎樣遷移的。證明了數據結構的遷移可以和數據的標籤無關。為我們對數據結構遷移的演算法的認識和改進提供了理論基礎。

論文7：Exploiting High-Order Information in Heterogeneous Multi-Task Feature Learning

本文假設不同任務的特徵表示不同，但應用相同。利用各個任務的預測結構為多個不同的特徵表示尋找公共子空間，通過挖掘不同預測結構在這個公共子空間中的高階相關性，實現多個異質（即不同特徵空間）之間的信息遷移，增強每個特徵表示的表達力。

論文8：General Heterogeneous Transfer Distance Metric Learning via Knowledge Fragments Transfer

為了實現異質域（不同特徵表示）的任務之間距離度量的遷移，假設存在足量的無標籤多視角數據（每個數據樣本x^U同時擁有源域和目標域的特徵表示x_S^U和x_M^U）。先從源任務中預先學習距離度量A_S^*，並從中提取知識片段（線性或非線性映射）。再將目標距離度量A_M表示成映射函數的形式?_M (?)。通過最小化目標度量的經驗損失，並使目標映射?_M與源任務知識片段f_S在大量無標籤多視角數據上達成一致（即，最小化f_S (x_S^U )與?_M (x_M^U )之間的差異），快速有效地幫助目標任務學習任意線性或非線性映射?_M，從而得到改進的目標距離度量A_M^*。

論文9：Privileged Matrix Factorization for Collaborative Filtering

在線消費系統中，本文考慮利用評論信息來增強推薦系統性能，並提出特權矩陣分解模型，利用評論信息來幫助學習模型中的軟間隔， 進而同時幫助用戶和信息矩陣的學習。該模型超越了以往基於評論建模的其他推薦模型，取得了更好的效果。

論文10：Collaborative Rating Allocation

本文針對現實生活中累積投票，理財規劃等有固定預算的問題提出了協同預算分配的方法，在預測用戶對某件產品的預算分配時考慮對用戶總體預算的約束。由於已有協同過濾演算法不能直接用來優化所提出的目標問題，我們建模時引入了多項式流形，並將共軛梯度下降法應用到多項式流形優化問題上，並取得了很好的效果。

論文11：Multi-Positive and Unlabeled Learning

MPU方法取代了傳統的BPU+1vs all的兩步方法，直接對MPU問題建模。耗時更少，準確率更高，對負類的選擇更加魯棒。

論文12：Privileged Multi-label Learning

特權多標籤學習提出了利用標籤之間的互相指導，可將標籤特徵作為學習中的一種特權信息。這種特權信息可以無縫地嵌入到低秩模型中，實驗證明其可以顯著的提升多標籤學習的性能。

論文13：Classification and Representation Co-learning via Deep Networks

本文主要的優點是通過雙通道網路將圖像分類和特徵學習相結合，同時考慮數據的全局信息和局部分布，二者能夠相互促進提升效果。同時，特徵學習的約束也能在訓練數據樣本不夠的情況下防止網路過擬合。多個數據集上的實驗結果充分證明了我們提出的方法和網路結構的有效性。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！