雷鋒網 AI 科技評論消息，AAAI 2019 將于 1 月 27 日至 2 月 1 日在美國夏威夷舉行，據統(tǒng)計，大會共收到 7700 余篇有效投稿，其中 7095 篇論文進入評審環(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術頂會收錄的 4 篇論文，論文內容涉及深度學習、生成對抗網絡、神經網絡等技術方向。

四篇論文如下：

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

區(qū)域級需求預測是網約車服務的重要任務。準確的乘車需求預測可以指導車輛調度，提高車輛利用率，減少等待時間，并緩解交通擁堵。由于區(qū)域之間的時空依賴性非常復雜，這項任務具有挑戰(zhàn)性?，F(xiàn)有方法主要側重于對空間相鄰區(qū)域之間的歐式相關性進行建模。我們觀察到，遠距離區(qū)域之間的非歐式成對關系對于準確預測也是至關重要的。在本文中，我們提出了時空多圖卷積網絡（ST-MGCN），一種用于乘車需求預測的新型深度學習模型。我們首先將區(qū)域之間的非歐幾里德成對相關性編碼成多個圖，然后使用圖卷積根據這些相關性進行建模。為了在時間相關性建模中利用環(huán)境信息，我們進一步提出了環(huán)境門控遞歸神經網絡（CGRNN），其利用環(huán)境感知門控機制來增強遞歸神經網絡以重新加權不同的歷史數(shù)據。我們將模型在北京和上海的真實數(shù)據集上進行評估，相比baseline提升了10%的預測準確度。

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

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

POI檢索在網約車服務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的相關性，但是單一的文本相似度不能充分刻畫Query和POI的相關性關系。所以本文提出了一種更有效的Query-POI相關性學習方法。與現(xiàn)有方法相比，本文使用多粒度文本特征表示Query-POI對的文本相似度；另外，在網約車場景中，起點和終點的地理位置關系不容忽視，所以，本文將起終點的地理位置關系應用于POI檢索模型中。通過結合文本特征和地理特征，本文方法在POI排序任務中獲得了更好的效果；本文使用兩個真實的點擊數(shù)據集驗證本文方法的效果，實驗結果表明，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相關性學習方法，并被用于POI檢索。本文主要貢獻有三點，首先，本文使用多粒度文本表示及自注意力，相互注意力機制刻畫文本特征；其次，本文將地理信息引入到POI檢索任務中，并提出兩種地理信息表示方法，同時本結合文本特征，完成Query-POI的相關性學習；最后，本文使用兩個大規(guī)模真實點擊數(shù)據集驗證模型效果，實驗結果表示，本文方法超過其他對比方法，另外成都數(shù)據集可以公開下載。值得注意的是，本文方法可以廣泛的應用于基于位置服務的POI檢索業(yè)務中，其中包括本文中提到的網約車場景、本地服務搜索、外賣平臺等其他場景。網約車場景中，用戶對POI檢索結果的要求更高，該場景可以獲得更好的相關性模型，所以本文也將網約車場景作為本文方法的應用場景。

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

本文的研究目標為領域適應性問題，該問題指的是將在有標簽的數(shù)據集(通常稱源領域)上訓練的模型遷移至無標簽的目標數(shù)據集(通常稱目標領域)并成功完成預測。該問題的難點在于，目標領域的分布特性與源領域的分布特性往往不同，而傳統(tǒng)深度學習模型在訓練過程中，往往在學習標簽分類能力的同時將源領域的分布特性也一同編碼到模型之中，因而限制了源領域訓練的模型在目標領域上的表現(xiàn)。針對上述難點，本文提出了基于增強語義一致性的循環(huán)生成對抗網絡模型，創(chuàng)新性的引入了語義一致?lián)p失函數(shù)和目標分類損失函數(shù)，在保留語義標簽分類能力的同時，盡可能地降低不同領域分布特性對模型的影響，進而提高了源領域模型在目標領域數(shù)據上的分類能力。作為情感計算領域中面向領域適應性研究的第一個工作，我們在兩個主流的情感計算數(shù)據集上進行了系統(tǒng)和全面的實驗，實驗結果表明，所提出的方法超越了已發(fā)表的主流方法，取得了最好的結果。未來我們將嘗試將相關工作應用到交通場景識別和目標檢測等領域，促進解決不同場景下的領域適應性問題。

• Sensitivity Analysis of Deep Neural Networks

深度神經網絡(DNN)已經在各種預測任務中實現(xiàn)了卓越的性能，但是很容易受到對抗性示例或擾動的影響。因此，在實際應用中測量DNN對各種形式擾動的敏感性是至關重要的。我們引入了一種新的擾動流形及其相關的影響度量，以量化各種擾動對DNN分類器的影響。這些擾動包括對輸入樣本和網絡參數(shù)的各種外部和內部擾動。我們所提出的度量受到信息幾何學的啟發(fā)，具有所需的不變性屬性。我們證明了我們的影響度量對于四個模型構建任務非常有用：檢測潛在的“異常值”，分析模型架構的敏感性，比較訓練和測試集之間的網絡敏感度，以及定位易受攻擊的區(qū)域。實驗表明我們提出的度量在CIFAR10和MNIST數(shù)據集上對于流行的DNN模型，如ResNet50和DenseNet121，具有相當不錯的表現(xiàn)。

雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。