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

雷锋网 • 7年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

雷锋网 (公众号：雷锋网) AI 科技评论按：人工智能领域最顶级的学术会议之一IJCAI（International Joint Conference on Artificial Intelligence，国际人工智能联合会议）于8月19日在澳大利亚墨尔本正式召开。在人工智能界，IJCAI一直享有盛誉。该会议聚集了人工智能领域最顶尖的研究者和优秀从业者，关注研讨领域涵盖机器学习、计算可持续性、图像识别、语音技术、视频技术等，对全球人工智能行业具有巨大影响力。

随着近年来人工智能领域的研究和应用持续升温，越来越多的国内企业和学者也在积极参与 IJCAI 并发表论文。今年，IJCAI共收到2540篇论文投稿，再创历史新高，最终录用660篇，录用率为26%。其中，由优必选AI首席科学家陶大程博士领导的优必选悉尼AI研究院有13篇论文被接收，同时陶大程博士还担任了此次会议的Area Chair。在这13篇论文中，《Tag Disentangled Generative Adversarial Networks for Object Image Re-rendering》这篇论文一举斩获最佳学生论文奖（Student Best Paper 2017, 地址：https://www.ijcai.org/proceedings/2017/0404.pdf），《General Heterogeneous Transfer Distance Metric Learning via Knowledge Fragments Transfer》（Finallists for Distinguished Paper 2017，地址：https://www.ijcai.org/proceedings/2017/0341.pdf）则进入最佳杰出论文奖前三名。

具体论文列表如下：

论文1： Tag Disentangled Generative Adversarial Networks for Object Image

Re-rendering

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

本文提出了一种全新的神经网络框架，标签分解生成对抗网络(Tag Disentangled Generative Adversarial Networks, TDGAN)，用于进行目标图像的再次渲染(Re-rendering)。给定目标图像作为输入，该网络(TDGAN)即可根据指定要求修改图像内容，并生成符合描述的图像。例如，改变输入图像的观察角度，光照条件，人脸表情等等。和以往工作不同，通过利用图像与其标签的对应关系，即标签是图像分解表征(disentangled representations, DR)的具体描述，我们训练分解网络以提取输入图像的分解表征(DR)。同时，在生成对抗网络(GAN)的框架下，给定分解表征(DR)，生成网络被训练以生成相应的图像。最终，通过控制输入图像的分解表征(DR)，我们便可以完成不同的图像再渲染任务。经实验证明，TDGAN能够按照描述生成高质量的目标图像，进一步提升了图像再渲染任务的性能，在两个不同的数据集上，TDGAN的表现均超越了当前最优模型。

论文2： Adaptive Manifold Regularized Matrix Factorization for Data Clustering

本文将观测数据的聚类看作是稳健的矩阵分解，将这种稳健的矩阵分解结果作为监督信息加入到提出的分解模型中，实现在学习到映射矩阵的同时不断的调整提出的分解模型，并在求解中通过一种新型的增广拉格朗日乘子约束，实现自适性的流形正则矩阵分解，减少由于核函数、核参数等选择造成聚类结果不稳定的影响。

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

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，通过融合框架查询目标域样本进行标记，不断地修改源域数据样本的权重，使其更加适合目标域数据的分类任务，达到充分利用已有多源数据和最大化减少目标任务耗损的目的。

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

该文章将点度的幂律分布引入传统的随机块模型，纠正了传统模型不能处理常见网络数据中的无标度特征的缺点，提高了网络社区检测的精度。

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

本文提出的DCA-SVM算法利用NMF低维投影保持凸壳上顶点不变的特性，利用分治策略快速求解的近似凸壳训练SVM，并证明了本文的近似SVM与传统SVM的上下界关系。在不降低分类准确率的前提下，本文的算法极大的提升了SVM的训练速度。

论文6： Feature Structure Transfer Learning

这篇论文讲述了不同数据分布中的数据结构是怎样迁移的。证明了数据结构的迁移可以和数据的标签无关。为我们对数据结构迁移的算法的认识和改进提供了理论基础。

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

本文假设不同任务的特征表示不同，但应用相同。利用各个任务的预测结构为多个不同的特征表示寻找公共子空间，通过挖掘不同预测结构在这个公共子空间中的高阶相关性，实现多个异质（即不同特征空间）之间的信息迁移，增强每个特征表示的表达力。

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

为了实现异质域（不同特征表示）的任务之间距离度量的迁移，假设存在足量的无标签多视角数据（每个数据样本x^U同时拥有源域和目标域的特征表示x_S^U和x_M^U）。先从源任务中预先学习距离度量A_S^*，并从中提取知识片段{f_Sc }（线性或非线性映射）。再将目标距离度量A_M表示成映射函数的形式ϕ_M (∙)。通过最小化目标度量的经验损失，并使目标映射ϕ_M与源任务知识片段f_S在大量无标签多视角数据上达成一致（即，最小化f_S (x_S^U )与ϕ_M (x_M^U )之间的差异），快速有效地帮助目标任务学习任意线性或非线性映射ϕ_M，从而得到改进的目标距离度量A_M^*。

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