IJCAI 2017 最佳论文明日公布，中国学生已包一个奖项

本篇文章3171字，读完约8分钟

雷锋的人工智能科技回顾:研讨会已经举行了几天，2017年的人工智能终于要开始了。接下来的几天将是一系列激动人心的特别讲座和各种奖项的确定和颁发。

在明天上午的开幕式上，将从六份入围论文中确定两项期待已久的杰出论文奖。在这六篇论文中，三篇优秀学生论文都是中国学生的论文，一篇优秀论文是中国学者的作品。因此，前一个奖项已经由中国学生获得，后一个奖项很可能由中国学者获得。在颁奖之前，我们不妨先了解这六篇论文的内容，然后在一个宝藏上下注，看看我们能否猜出明天哪一篇获奖。

入围最佳论文1)使用极限数据记录程序进行声明性数据分析的基础

下载地址:arxiv/pdf/1705.06927.pdf

雷锋。(公开号码:雷锋。注:分析复杂数据是目前非常热门的话题。这种分析(如数据聚合、属性验证或查询答案)主要是通过指定如何操作数据来完成的，但是当数据很复杂时，这种方法就不能很好地执行。现在建议应该声明数据分析，这意味着用户应该描述预期的输出是什么，而不是如何计算。例如，在一张图片中，它应该1)描述路径长度，而不是通过特定的算法计算最短路径；2)选择长度最小的路径。

在数据分析中，最近有人提出了声明性数据分析的方法。这种方法的一个重要组成部分是一种有效的语言，它可以捕获相关的任务。datalog_z(支持递归)是首选，但是这种语言是不可决定的。通过引入极限datalog_z和限制乘法的使用，事实蕴涵将在聚合中变成conexptime- complete，在数据复杂度中变成conp complete。此外，额外的稳定性要求将导致复杂度分别降低到exptime和ptime。最后，我们证明了稳定的datalog_z可以用来表示许多数据分析任务，因此我们的结果将为先进信息系统的发展提供一个坚实的基础。

2)基于全局博弈策略约束的对称性检测

下载地址:ijcai/proceedings/2017/0040 . pdf

雷锋网注:一般游戏是由斯坦福大学组织的比赛。每年。Ggp是一个策略游戏，通过描述，计算机系统可以在某个“运行时间”单独玩。换句话说，他们直到比赛开始才知道规则。与深蓝等游戏不同，全局游戏策略不依赖于特定的算法来对应特定的游戏；他们必须让程序开发自己的算法。全球游戏策略取决于游戏本身的智能，而不是设计该程序的程的大脑。

对称性检测是一种很有前途的减少游戏搜索树的方法。在全局游戏策略(ggp)中，任何游戏都由游戏描述语言(gdl)中的一组规则来表示，而对称性检测的最佳方法取决于与游戏的gdl描述相关的规则图。虽然这种基于规则的对称性检测方法可以应用于各种树搜索算法，但它们只覆盖有限数量的对称性，这些对称性在gdl描述中是显而易见的。在本文中，我们开发了一个替代方法，这是一个使用约束规划技术的随机游戏。gdl博弈中的最小优化问题变成了随机约束满足问题(scsp)，可以看作是一阶scsp序列。极小极大对称性是从这些一阶约束网络的互补微结构集合中推导出来的。在对这种方法进行理论分析的基础上，我们用实验的方法展示了各种各样的游戏。最近随机约束求解器mac-ucb与基于约束的对称性检测相结合，明显优于标准蒙特卡罗树搜索算法+基于规则的对称性检测。这种约束驱动的方法也已经被我们团队成员在最近的ggp竞赛中的杰出成就所验证。

3)通过知识片段转移学习一般异构迁移的距离度量

下载地址:ijcai/proceedings/2017/0341 . pdf

雷锋网注:转移学习，顾名思义，就是把训练好的模型参数转移到一个新的模型上，帮助新模型训练数据集。考虑到大多数数据或任务是相关的，我们可以通过迁移学习与新模型共享所学习的参数，从而加快和优化模型的学习，而不是像以前那样从头开始。

迁移学习旨在利用其他相关任务的信息(迁移知识)来提高目标学习任务的绩效。最近，迁移距离度量学习(TDML)引起了极大的兴趣，但是这些方法大多假设源和目标学习任务的特征表示是相同的。因此，它们不适合具有来自异构域(特征空、模态和事件语义)的数据的应用程序。虽然有一些异质迁移学习(htl)方法可以处理这些问题，但它们在实际项目中缺乏灵活性，学习迁移通常仅限于线性。因此，我们开发了一个基于知识片段迁移策略的异构tdml(html ml)框架，它具有更强的通用性和灵活性。在我们的htdml中，我们可以使用任何(线性或非线性)距离度量学习算法来学习准备好的源度量，然后从源度量中提取一组知识片段来帮助目标度量学习。此外，线性和非线性距离度量都可以从目标域中学习。通过大量的场景分类和目标识别实验，证明了该方法的优越性。

入围最佳学生论文1)标签分解用于对象图像重渲染以生成对抗网络

下载地址:ijcai/proceedings/2017/0404 . pdf

雷锋网注:标签解开生成性对手网络

本文提出了一种有原则的无标签生成对抗网络(tdgan)，它通过指定多个场景属性(如视点、光照、表情等)从一幅图像中重新渲染出感兴趣对象的新图像。)。整个框架由分离网络、生成网络、标签映射网络和鉴别网络组成，它们基于给定的完整/部分标签图像集(即监督/半监督设置)进行联合训练。给定一个输入图像，分离网络将提取分离的和可解释的表示，然后生成网络将使用它来生成图像。为了提高分离表示的质量，在我们的框架中集成了标签映射网络来检测图像与其标签之间的一致性。此外，引入判别网络，实现对抗训练策略，生成更逼真的图像。两个具有挑战性的数据集实验证明了该框架在这些问题上的卓越性能。

2)利用斯坦效应数据驱动随机傅立叶特征

下载地址:static.ijcai/proceedings-2017/0207.pdf

雷锋网注:斯坦效应-假设有n个向量变量{x_j}，这是样本提取的多元正态分布与p(p>3)维和平均值μ。那么μ最有效的估计不是(样本平均)，而是詹姆斯和斯坦在1961年提出的估计(詹姆斯-斯坦估计量或收缩估计量)。

大规模核逼近是机器学习研究中的一个重要问题。拉希米等人使用随机傅里叶特征的方法越来越流行，其中核近似被认为是通过蒙特卡罗或准蒙特卡罗积分的经验平均估计。这种方法的局限性在于所有特征的权重相等(总和为1)。本文提出了一种新的斯坦效应收缩估计量，它将为随机特征提供一种数据驱动的加权策略，并为降低经验风险提供理论基础。我们进一步提出了一个有效的随机算法，用于该方法的大规模应用。我们在六个基准数据集上的实验结果表明，该方法在核近似和监督学习任务上优于典型方法。

3)多任务有线电视网络的个性化重要性预测

下载地址:ijcai/proceedings/2017/0543 . pdf

雷锋网注:个性化显著性预测

显著性检测是计算机视觉中一个长期存在的问题。大量的工作集中在探索普遍意义模型，而不管性别、种族、年龄等。然而，最近的心理学研究表明，当观察包含许多突出物体的同一模式时，个体会表现出差异。在本文中，我们首次表明这种异质性是普遍的，并对可靠的显著性预测具有决定性作用。我们的研究还生成了第一个个性化显著图(psms)数据库。我们基于不同参与者共享的通用显著图(usm)对psm进行建模，并使用多任务cnn框架来估计psm和usm之间的差异。综合实验表明，新的psm模型和预测方案是有效和可靠的。

相关文章:

中国科学院计算技术研究所的王永青详细解释了ijcai 17的招聘论文:如何使用注意机制rnn来模拟信息传播？|ijcai 2017

为什么在ijcai探险营的第一天，rmit 80大楼里的6个辅导和13个工作室都“拥挤”了？

ijcai主要会议的第一天总结道:和平中隐藏着三个高潮！

雷锋原创文章。严禁擅自转载。详情请参考转载说明。