雷鋒網(wǎng) AI 科技評(píng)論消息，AAAI 2019 將于 1 月 27 日至 2 月 1 日在美國夏威夷舉行，據(jù)統(tǒng)計(jì)，大會(huì)共收到 7700 余篇有效投稿，其中 7095 篇論文進(jìn)入評(píng)審環(huán)節(jié)，最終有 1150 篇論文被錄用，錄取率為近年最低，僅有 16.2%。滴滴于近日也公布了被該人工智能學(xué)術(shù)頂會(huì)收錄的 4 篇論文，論文內(nèi)容涉及深度學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)等技術(shù)方向。

四篇論文如下：

• Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting

區(qū)域級(jí)需求預(yù)測(cè)是網(wǎng)約車服務(wù)的重要任務(wù)。準(zhǔn)確的乘車需求預(yù)測(cè)可以指導(dǎo)車輛調(diào)度，提高車輛利用率，減少等待時(shí)間，并緩解交通擁堵。由于區(qū)域之間的時(shí)空依賴性非常復(fù)雜，這項(xiàng)任務(wù)具有挑戰(zhàn)性?，F(xiàn)有方法主要側(cè)重于對(duì)空間相鄰區(qū)域之間的歐式相關(guān)性進(jìn)行建模。我們觀察到，遠(yuǎn)距離區(qū)域之間的非歐式成對(duì)關(guān)系對(duì)于準(zhǔn)確預(yù)測(cè)也是至關(guān)重要的。在本文中，我們提出了時(shí)空多圖卷積網(wǎng)絡(luò)（ST-MGCN），一種用于乘車需求預(yù)測(cè)的新型深度學(xué)習(xí)模型。我們首先將區(qū)域之間的非歐幾里德成對(duì)相關(guān)性編碼成多個(gè)圖，然后使用圖卷積根據(jù)這些相關(guān)性進(jìn)行建模。為了在時(shí)間相關(guān)性建模中利用環(huán)境信息，我們進(jìn)一步提出了環(huán)境門控遞歸神經(jīng)網(wǎng)絡(luò)（CGRNN），其利用環(huán)境感知門控機(jī)制來增強(qiáng)遞歸神經(jīng)網(wǎng)絡(luò)以重新加權(quán)不同的歷史數(shù)據(jù)。我們將模型在北京和上海的真實(shí)數(shù)據(jù)集上進(jìn)行評(píng)估，相比baseline提升了10%的預(yù)測(cè)準(zhǔn)確度。

城市計(jì)算的特點(diǎn)之一在于城市數(shù)據(jù)的多樣性，多模態(tài)的數(shù)據(jù)從不同的角度展示著一個(gè)城市的方方面面。這些數(shù)據(jù)互有聯(lián)系，息息相關(guān)。在城市預(yù)測(cè)問題中合理地使用多模態(tài)數(shù)據(jù)可以讓預(yù)測(cè)模型獲取更多的信息，使得預(yù)測(cè)模型的性能更加完備。多模態(tài)數(shù)據(jù)的使用存在很多難點(diǎn)，本文中使用的多模態(tài)數(shù)據(jù)（POI，路網(wǎng)）由于在時(shí)間維度上是靜態(tài)的，很難被用于時(shí)間序列預(yù)測(cè)問題。許多模型將它們作為人工特征拼接進(jìn)入線性模型或者深度學(xué)習(xí)模型，效果并不令人滿意。ST-MGCN為多模態(tài)數(shù)據(jù)的使用提出了一種新的思路，通過“多圖”的形式，將這些數(shù)據(jù)表達(dá)為模型的一種結(jié)構(gòu)，可以令空間特征的抽取更加合理有效。我們將“多圖”的思想應(yīng)用于其它模型（ST-GCN, DCRNN），在相同的預(yù)測(cè)問題上也取得了相當(dāng)?shù)男Ч嵘T-MGCN不僅僅是一種網(wǎng)約車平臺(tái)訂單量預(yù)測(cè)的深度學(xué)習(xí)模型，它為城市多模態(tài)的數(shù)據(jù)表達(dá)方式提出了一種新的思路，可以廣泛推廣應(yīng)用于城市計(jì)算中的其它時(shí)空預(yù)測(cè)任務(wù)。

• Incorporating Semantic Similarity with Geographic Correlation for Query-POI Relevance Learning

POI檢索在網(wǎng)約車服務(wù)中扮演著重要的角色。目前，POI檢索和排序方法的大多基于Query和POI的文本相似度。文本相似度直觀的反映了Query和POI的相關(guān)性，但是單一的文本相似度不能充分刻畫Query和POI的相關(guān)性關(guān)系。所以本文提出了一種更有效的Query-POI相關(guān)性學(xué)習(xí)方法。與現(xiàn)有方法相比，本文使用多粒度文本特征表示Query-POI對(duì)的文本相似度；另外，在網(wǎng)約車場(chǎng)景中，起點(diǎn)和終點(diǎn)的地理位置關(guān)系不容忽視，所以，本文將起終點(diǎn)的地理位置關(guān)系應(yīng)用于POI檢索模型中。通過結(jié)合文本特征和地理特征，本文方法在POI排序任務(wù)中獲得了更好的效果；本文使用兩個(gè)真實(shí)的點(diǎn)擊數(shù)據(jù)集驗(yàn)證本文方法的效果，實(shí)驗(yàn)結(jié)果表明，本文方法優(yōu)于其他方法。

本文提出了一種基于文本特征及地理特征的Query-POI相關(guān)性學(xué)習(xí)方法，并被用于POI檢索。本文主要貢獻(xiàn)有三點(diǎn)，首先，本文使用多粒度文本表示及自注意力，相互注意力機(jī)制刻畫文本特征；其次，本文將地理信息引入到POI檢索任務(wù)中，并提出兩種地理信息表示方法，同時(shí)本結(jié)合文本特征，完成Query-POI的相關(guān)性學(xué)習(xí)；最后，本文使用兩個(gè)大規(guī)模真實(shí)點(diǎn)擊數(shù)據(jù)集驗(yàn)證模型效果，實(shí)驗(yàn)結(jié)果表示，本文方法超過其他對(duì)比方法，另外成都數(shù)據(jù)集可以公開下載。值得注意的是，本文方法可以廣泛的應(yīng)用于基于位置服務(wù)的POI檢索業(yè)務(wù)中，其中包括本文中提到的網(wǎng)約車場(chǎng)景、本地服務(wù)搜索、外賣平臺(tái)等其他場(chǎng)景。網(wǎng)約車場(chǎng)景中，用戶對(duì)POI檢索結(jié)果的要求更高，該場(chǎng)景可以獲得更好的相關(guān)性模型，所以本文也將網(wǎng)約車場(chǎng)景作為本文方法的應(yīng)用場(chǎng)景。

• CycleEmotionGAN: Emotional Semantic Consistency Preserved CycleGAN for Adapting Image Emotions

本文的研究目標(biāo)為領(lǐng)域適應(yīng)性問題，該問題指的是將在有標(biāo)簽的數(shù)據(jù)集(通常稱源領(lǐng)域)上訓(xùn)練的模型遷移至無標(biāo)簽的目標(biāo)數(shù)據(jù)集(通常稱目標(biāo)領(lǐng)域)并成功完成預(yù)測(cè)。該問題的難點(diǎn)在于，目標(biāo)領(lǐng)域的分布特性與源領(lǐng)域的分布特性往往不同，而傳統(tǒng)深度學(xué)習(xí)模型在訓(xùn)練過程中，往往在學(xué)習(xí)標(biāo)簽分類能力的同時(shí)將源領(lǐng)域的分布特性也一同編碼到模型之中，因而限制了源領(lǐng)域訓(xùn)練的模型在目標(biāo)領(lǐng)域上的表現(xiàn)。針對(duì)上述難點(diǎn)，本文提出了基于增強(qiáng)語義一致性的循環(huán)生成對(duì)抗網(wǎng)絡(luò)模型，創(chuàng)新性的引入了語義一致?lián)p失函數(shù)和目標(biāo)分類損失函數(shù)，在保留語義標(biāo)簽分類能力的同時(shí)，盡可能地降低不同領(lǐng)域分布特性對(duì)模型的影響，進(jìn)而提高了源領(lǐng)域模型在目標(biāo)領(lǐng)域數(shù)據(jù)上的分類能力。作為情感計(jì)算領(lǐng)域中面向領(lǐng)域適應(yīng)性研究的第一個(gè)工作，我們?cè)趦蓚€(gè)主流的情感計(jì)算數(shù)據(jù)集上進(jìn)行了系統(tǒng)和全面的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，所提出的方法超越了已發(fā)表的主流方法，取得了最好的結(jié)果。未來我們將嘗試將相關(guān)工作應(yīng)用到交通場(chǎng)景識(shí)別和目標(biāo)檢測(cè)等領(lǐng)域，促進(jìn)解決不同場(chǎng)景下的領(lǐng)域適應(yīng)性問題。

• Sensitivity Analysis of Deep Neural Networks

深度神經(jīng)網(wǎng)絡(luò)(DNN)已經(jīng)在各種預(yù)測(cè)任務(wù)中實(shí)現(xiàn)了卓越的性能，但是很容易受到對(duì)抗性示例或擾動(dòng)的影響。因此，在實(shí)際應(yīng)用中測(cè)量DNN對(duì)各種形式擾動(dòng)的敏感性是至關(guān)重要的。我們引入了一種新的擾動(dòng)流形及其相關(guān)的影響度量，以量化各種擾動(dòng)對(duì)DNN分類器的影響。這些擾動(dòng)包括對(duì)輸入樣本和網(wǎng)絡(luò)參數(shù)的各種外部和內(nèi)部擾動(dòng)。我們所提出的度量受到信息幾何學(xué)的啟發(fā)，具有所需的不變性屬性。我們證明了我們的影響度量對(duì)于四個(gè)模型構(gòu)建任務(wù)非常有用：檢測(cè)潛在的“異常值”，分析模型架構(gòu)的敏感性，比較訓(xùn)練和測(cè)試集之間的網(wǎng)絡(luò)敏感度，以及定位易受攻擊的區(qū)域。實(shí)驗(yàn)表明我們提出的度量在CIFAR10和MNIST數(shù)據(jù)集上對(duì)于流行的DNN模型，如ResNet50和DenseNet121，具有相當(dāng)不錯(cuò)的表現(xiàn)。

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。