雷鋒網(wǎng) AI 科技評(píng)論按：人工智能領(lǐng)域最頂級(jí)的學(xué)術(shù)會(huì)議之一IJCAI（International Joint Conference on Artificial Intelligence，國(guó)際人工智能聯(lián)合會(huì)議）于8月19日在澳大利亞墨爾本正式召開。在人工智能界，IJCAI一直享有盛譽(yù)。該會(huì)議聚集了人工智能領(lǐng)域最頂尖的研究者和優(yōu)秀從業(yè)者，關(guān)注研討領(lǐng)域涵蓋機(jī)器學(xué)習(xí)、計(jì)算可持續(xù)性、圖像識(shí)別、語音技術(shù)、視頻技術(shù)等，對(duì)全球人工智能行業(yè)具有巨大影響力。

隨著近年來人工智能領(lǐng)域的研究和應(yīng)用持續(xù)升溫，越來越多的國(guó)內(nèi)企業(yè)和學(xué)者也在積極參與 IJCAI 并發(fā)表論文。今年，IJCAI共收到2540篇論文投稿，再創(chuàng)歷史新高，最終錄用660篇，錄用率為26%。其中，由優(yōu)必選AI首席科學(xué)家陶大程博士領(lǐng)導(dǎo)的優(yōu)必選悉尼AI研究院有13篇論文被接收，同時(shí)陶大程博士還擔(dān)任了此次會(huì)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(xué)生論文獎(jiǎng)（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(jìn)入最佳杰出論文獎(jiǎng)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(jīng)網(wǎng)絡(luò)框架，標(biāo)簽分解生成對(duì)抗網(wǎng)絡(luò)(Tag Disentangled Generative Adversarial Networks, TDGAN)，用于進(jìn)行目標(biāo)圖像的再次渲染(Re-rendering)。給定目標(biāo)圖像作為輸入，該網(wǎng)絡(luò)(TDGAN)即可根據(jù)指定要求修改圖像內(nèi)容，并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(biāo)簽的對(duì)應(yīng)關(guān)系，即標(biāo)簽是圖像分解表征(disentangled representations, DR)的具體描述，我們訓(xùn)練分解網(wǎng)絡(luò)以提取輸入圖像的分解表征(DR)。同時(shí)，在生成對(duì)抗網(wǎng)絡(luò)(GAN)的框架下，給定分解表征(DR)，生成網(wǎng)絡(luò)被訓(xùn)練以生成相應(yīng)的圖像。最終，通過控制輸入圖像的分解表征(DR)，我們便可以完成不同的圖像再渲染任務(wù)。經(jīng)實(shí)驗(yàn)證明，TDGAN能夠按照描述生成高質(zhì)量的目標(biāo)圖像，進(jìn)一步提升了圖像再渲染任務(wù)的性能，在兩個(gè)不同的數(shù)據(jù)集上，TDGAN的表現(xiàn)均超越了當(dāng)前最優(yōu)模型。

論文2：Adaptive Manifold Regularized Matrix Factorization for Data Clustering

本文將觀測(cè)數(shù)據(jù)的聚類看作是穩(wěn)健的矩陣分解，將這種穩(wěn)健的矩陣分解結(jié)果作為監(jiān)督信息加入到提出的分解模型中，實(shí)現(xiàn)在學(xué)習(xí)到映射矩陣的同時(shí)不斷的調(diào)整提出的分解模型，并在求解中通過一種新型的增廣拉格朗日乘子約束，實(shí)現(xiàn)自適性的流形正則矩陣分解，減少由于核函數(shù)、核參數(shù)等選擇造成聚類結(jié)果不穩(wěn)定的影響。

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

本文將目標(biāo)域數(shù)據(jù)和源域數(shù)據(jù)融合到同一個(gè)主動(dòng)學(xué)習(xí)框架中，通過融合框架查詢目標(biāo)域樣本進(jìn)行標(biāo)記，不斷地修改源域數(shù)據(jù)樣本的權(quán)重，使其更加適合目標(biāo)域數(shù)據(jù)的分類任務(wù)，達(dá)到充分利用已有多源數(shù)據(jù)和最大化減少目標(biāo)任務(wù)耗損的目的。

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

該文章將點(diǎn)度的冪律分布引入傳統(tǒng)的隨機(jī)塊模型，糾正了傳統(tǒng)模型不能處理常見網(wǎng)絡(luò)數(shù)據(jù)中的無標(biāo)度特征的缺點(diǎn)，提高了網(wǎng)絡(luò)社區(qū)檢測(cè)的精度。

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

本文提出的DCA-SVM算法利用NMF低維投影保持凸殼上頂點(diǎn)不變的特性，利用分治策略快速求解的近似凸殼訓(xùn)練SVM，并證明了本文的近似SVM與傳統(tǒng)SVM的上下界關(guān)系。在不降低分類準(zhǔn)確率的前提下，本文的算法極大的提升了SVM的訓(xùn)練速度。

論文6： Feature Structure Transfer Learning

這篇論文講述了不同數(shù)據(jù)分布中的數(shù)據(jù)結(jié)構(gòu)是怎樣遷移的。證明了數(shù)據(jù)結(jié)構(gòu)的遷移可以和數(shù)據(jù)的標(biāo)簽無關(guān)。為我們對(duì)數(shù)據(jù)結(jié)構(gòu)遷移的算法的認(rèn)識(shí)和改進(jìn)提供了理論基礎(chǔ)。

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

本文假設(shè)不同任務(wù)的特征表示不同，但應(yīng)用相同。利用各個(gè)任務(wù)的預(yù)測(cè)結(jié)構(gòu)為多個(gè)不同的特征表示尋找公共子空間，通過挖掘不同預(yù)測(cè)結(jié)構(gòu)在這個(gè)公共子空間中的高階相關(guān)性，實(shí)現(xiàn)多個(gè)異質(zhì)（即不同特征空間）之間的信息遷移，增強(qiáng)每個(gè)特征表示的表達(dá)力。

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

為了實(shí)現(xiàn)異質(zhì)域（不同特征表示）的任務(wù)之間距離度量的遷移，假設(shè)存在足量的無標(biāo)簽多視角數(shù)據(jù)（每個(gè)數(shù)據(jù)樣本x^U同時(shí)擁有源域和目標(biāo)域的特征表示x_S^U和x_M^U）。先從源任務(wù)中預(yù)先學(xué)習(xí)距離度量A_S^*，并從中提取知識(shí)片段{f_Sc }（線性或非線性映射）。再將目標(biāo)距離度量A_M表示成映射函數(shù)的形式?_M (?)。通過最小化目標(biāo)度量的經(jīng)驗(yàn)損失，并使目標(biāo)映射?_M與源任務(wù)知識(shí)片段f_S在大量無標(biāo)簽多視角數(shù)據(jù)上達(dá)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(biāo)任務(wù)學(xué)習(xí)任意線性或非線性映射?_M，從而得到改進(jìn)的目標(biāo)距離度量A_M^*。

論文9：Privileged Matrix Factorization for Collaborative Filtering

在線消費(fèi)系統(tǒng)中，本文考慮利用評(píng)論信息來增強(qiáng)推薦系統(tǒng)性能，并提出特權(quán)矩陣分解模型，利用評(píng)論信息來幫助學(xué)習(xí)模型中的軟間隔， 進(jìn)而同時(shí)幫助用戶和信息矩陣的學(xué)習(xí)。該模型超越了以往基于評(píng)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(duì)現(xiàn)實(shí)生活中累積投票，理財(cái)規(guī)劃等有固定預(yù)算的問題提出了協(xié)同預(yù)算分配的方法，在預(yù)測(cè)用戶對(duì)某件產(chǎn)品的預(yù)算分配時(shí)考慮對(duì)用戶總體預(yù)算的約束。由于已有協(xié)同過濾算法不能直接用來優(yōu)化所提出的目標(biāo)問題，我們建模時(shí)引入了多項(xiàng)式流形，并將共軛梯度下降法應(yīng)用到多項(xiàng)式流形優(yōu)化問題上，并取得了很好的效果。

論文11：Multi-Positive and Unlabeled Learning

MPU方法取代了傳統(tǒng)的BPU+1vs all的兩步方法，直接對(duì)MPU問題建模。耗時(shí)更少，準(zhǔn)確率更高，對(duì)負(fù)類的選擇更加魯棒。

論文12：Privileged Multi-label Learning

特權(quán)多標(biāo)簽學(xué)習(xí)提出了利用標(biāo)簽之間的互相指導(dǎo)，可將標(biāo)簽特征作為學(xué)習(xí)中的一種特權(quán)信息。這種特權(quán)信息可以無縫地嵌入到低秩模型中，實(shí)驗(yàn)證明其可以顯著的提升多標(biāo)簽學(xué)習(xí)的性能。

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

本文主要的優(yōu)點(diǎn)是通過雙通道網(wǎng)絡(luò)將圖像分類和特征學(xué)習(xí)相結(jié)合，同時(shí)考慮數(shù)據(jù)的全局信息和局部分布，二者能夠相互促進(jìn)提升效果。同時(shí)，特征學(xué)習(xí)的約束也能在訓(xùn)練數(shù)據(jù)樣本不夠的情況下防止網(wǎng)絡(luò)過擬合。多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果充分證明了我們提出的方法和網(wǎng)絡(luò)結(jié)構(gòu)的有效性。

關(guān)于優(yōu)必選：

優(yōu)必選是一家全球領(lǐng)先的人工智能和人形機(jī)器人研發(fā)、制造和銷售為一體的高科技企業(yè)，目前公司已經(jīng)推出了平臺(tái)級(jí)智能家庭機(jī)器人Alpha 2、STEM教育智能編程機(jī)器人Jimu、智能云平臺(tái)商用服務(wù)機(jī)器人Cruzr，以及首個(gè)基于亞馬遜 Alexa 語音平臺(tái)的人形機(jī)器人Lynx等多款產(chǎn)品，在人形機(jī)器人驅(qū)動(dòng)伺服、步態(tài)運(yùn)動(dòng)控制算法、機(jī)器視覺、機(jī)器學(xué)習(xí)、情感識(shí)別、SLAM(即時(shí)定位與地圖構(gòu)建)等領(lǐng)域已經(jīng)達(dá)到國(guó)際頂尖研發(fā)水平。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。