优必选获IJCAI 2017最佳学生论文奖，13篇论文入选国际顶级人工智能会议

本篇文章2534字，读完约6分钟

据雷锋说。(公开号码:雷锋。8月19日，人工智能领域顶级学术会议之一的国际人工智能联合会议在澳大利亚墨尔本正式召开。Ijcai在人工智能领域一直享有很高的声誉。会议汇集了人工智能领域的顶尖研究人员和杰出实践者，重点讨论机器学习、计算可持续性、图像识别、语音技术、视频技术等。，这对全球人工智能行业有很大影响。

近年来，随着人工智能领域的研究和应用日益增多，越来越多的国内企业和学者积极参与ijcai并发表论文。今年，ijcai共收到2540份提交的论文，创历史新高，最终雇佣了660份论文，就业率为26%。其中，13篇论文来自悉尼人工智能研究所，由人工智能首席科学家陶大成博士领导，陶大成博士还担任了会议的地区主席。在这13篇论文中，“面向对象图像再渲染的Tag Discotted D Generative Article Networks”获得了最佳学生论文奖(2017年最佳学生论文，地址:I jcai/proceedings/2017/0404 . pdf)，通过知识片段传输的一般异构传输距离度量学习(2017年杰出论文最终列表，地址:I jcai/proceedings/2017/0341 . pdf)进入了最佳杰出论文奖的前三名。

具体论文如下:

论文1:物体图像的标签解纠缠生成前网络

重新渲染

本文提出了一种新的神经网络框架，即标签失效生成对抗网络(tdgan)来重建目标图像。给定目标图像作为输入，网络(tdgan)可以根据指定的要求修改图像内容，并生成符合描述的图像。例如，改变输入图像的观察角度、照明条件、面部表情等。与以往的工作不同，我们训练分解网络，利用图像与其标签的对应关系提取输入图像的分解表示，即标签是分解表示的具体描述。同时，在生成对抗网络(gan)的框架下，给定分解表示(dr)，生成网络被训练生成相应的图像。最后，通过控制输入图像的分解表示(dr)，我们可以完成不同的图像重渲染任务。实验表明，tdgan能够根据描述生成高质量的目标图像，进一步提高了图像重渲染的性能。在两个不同的数据集上，tdgan优于当前的最优模型。

论文2:用于数据聚类的自适应流形正则化矩阵分解

本文将观测数据的聚类视为鲁棒矩阵分解，并将鲁棒矩阵分解结果作为监督信息加入到分解模型中，使得分解模型在学习映射矩阵的同时可以不断调整。在求解过程中，采用新的增广拉格朗日乘子约束实现自适应流形正则矩阵分解，减少了核函数和核参数选择带来的不稳定聚类结果的影响。

论文3:从多个领域收集知识以进行主动学习

本文将目标域数据和源域数据融合到同一个主动学习框架中，通过融合框架对目标域样本进行查询和标记，并不断修改源域数据样本的权重，使其更适合目标域数据的分类任务，从而充分利用现有的多源数据，最大限度地减少目标任务的损失。

论文4:结合幂律度特征改进随机块体模型

本文将点度的幂律分布引入到传统的随机分块模型中，纠正了传统模型不能处理常见网络数据中无标度特征的缺点，提高了网络社区检测的准确性。

论文5:由各个击破的主播训练的快速SVM

本文提出的dca-svm算法利用nmf低维投影保持凸包顶点不变，利用分治策略快速求解的近似凸包训练svm，并证明了本文近似svm与传统svm的上下限。该算法在不降低分类精度的情况下，大大提高了支持向量机的训练速度。

论文6:特征结构迁移学习

本文描述了如何迁移不同数据分布中的数据结构。证明了数据结构的迁移可以独立于数据的标签。这为我们认识和改进数据结构迁移算法提供了理论基础。

论文7:探索异构多任务特征学习中的高阶信息

本文假设不同的任务有不同的特征表示，但它们的应用是相同的。使用每个任务的预测结构来为多个不同的特征表示找到公共子空，并通过挖掘该公共sub/き よ 0/中不同预测结构的高阶相关性来实现多个异质性(即不同的features/きだよ 0)。

论文8:通过知识片段转移的一般异构转移距离度量学习

为了实现异构域(不同特征表示)任务间距离测量的迁移，假设有足够多的未标记多视图数据(每个数据样本x u具有源域和目标域的特征表示x _ s u和x _ m u)。首先，预先从源任务中学习距离测度a _ s *，并提取知识片段{f_sc}(线性或非线性映射)。然后将目标距离度量a_m表示为映射函数？_m(？).通过最小化目标测量的经验损失和映射目标？_m和源任务知识片段f_s就大量未标记的多视图数据达成一致(即，最小化f _ s (x _ s u)和？_ m(x _ m u之间的差异))，快速有效地帮助目标任务学习任何线性或非线性映射？以便获得改进的目标距离测量值a _ m *。

论文9:协作过滤的特权矩阵分解

在在线消费系统中，本文考虑利用评论信息来提高推荐系统的性能，并提出了一种权限矩阵分解模型，该模型利用评论信息来帮助学习模型中的软区间，进而帮助用户和信息矩阵同时学习。该模型超越了以往基于评论建模的推荐模型，取得了较好的效果。

论文10:合作评级分配

针对现实生活中的固定预算问题，如累积投票和财务规划，提出了一种协同预算分配方法。在预测一个产品的预算分配时，考虑了对用户总体预算的约束。由于现有的协同过滤算法不能直接用于优化所提出的目标问题，我们在建模中引入了多项式流形，并将共轭梯度下降法应用到多项式流形优化问题中，取得了良好的效果。

论文11:多重积极和无标记学习

mpu方法取代了bpu+1vs的传统两步方法，直接模拟mpu问题。更少的时间消耗，更高的精确度和更稳健的负类选择。

论文12:特权多标签学习

特权多标签学习提出标签特征在学习中可以通过标签间的相互指导被视为特权信息。该权限信息可以无缝嵌入到低秩模型中，实验表明它可以显著提高多标签学习的性能。

论文13:通过深层网络的分类和表征共同学习

本文的主要优点是通过双通道网络将图像分类和特征学习结合起来，同时考虑数据的全局信息和局部分布，相互促进。同时，当训练数据样本不足时，特征学习的约束也可以防止网络过拟合。在多个数据集上的实验结果充分证明了该方法和网络结构的有效性。

雷锋文章版权所有。严禁擅自转载。详情请参考转载说明。