雷鋒網(wǎng) AI 科技評論按：人工智能領(lǐng)域最頂級的學術(shù)會議之一IJCAI（International Joint Conference on Artificial Intelligence，國際人工智能聯(lián)合會議）于8月19日在澳大利亞墨爾本正式召開。在人工智能界，IJCAI一直享有盛譽。該會議聚集了人工智能領(lǐng)域最頂尖的研究者和優(yōu)秀從業(yè)者，關(guān)注研討領(lǐng)域涵蓋機器學習、計算可持續(xù)性、圖像識別、語音技術(shù)、視頻技術(shù)等，對全球人工智能行業(yè)具有巨大影響力。

隨著近年來人工智能領(lǐng)域的研究和應(yīng)用持續(xù)升溫，越來越多的國內(nèi)企業(yè)和學者也在積極參與 IJCAI 并發(fā)表論文。今年，IJCAI共收到2540篇論文投稿，再創(chuàng)歷史新高，最終錄用660篇，錄用率為26%。其中，由優(yōu)必選AI首席科學家陶大程博士領(lǐng)導的優(yōu)必選悉尼AI研究院有13篇論文被接收，同時陶大程博士還擔任了此次會議的Area Chair。在這13篇論文中，《Tag Disentangled Generative Adversarial Networks for Object Image Re-rendering》這篇論文一舉斬獲最佳學生論文獎（Student Best Paper 2017, 地址：https://www.ijcai.org/proceedings/2017/0404.pdf），《General Heterogeneous Transfer Distance Metric Learning via Knowledge Fragments Transfer》（Distinguished Paper Award finalist，地址：https://www.ijcai.org/proceedings/2017/0341.pdf）則進入最佳杰出論文獎前三名。

具體論文列表如下：

論文1：Tag Disentangled Generative Adversarial Networks for Object Image

Re-rendering 

本文提出了一種全新的神經(jīng)網(wǎng)絡(luò)框架，標簽分解生成對抗網(wǎng)絡(luò)(Tag Disentangled Generative Adversarial Networks, TDGAN)，用于進行目標圖像的再次渲染(Re-rendering)。給定目標圖像作為輸入，該網(wǎng)絡(luò)(TDGAN)即可根據(jù)指定要求修改圖像內(nèi)容，并生成符合描述的圖像。例如，改變輸入圖像的觀察角度，光照條件，人臉表情等等。和以往工作不同，通過利用圖像與其標簽的對應(yīng)關(guān)系，即標簽是圖像分解表征(disentangled representations, DR)的具體描述，我們訓練分解網(wǎng)絡(luò)以提取輸入圖像的分解表征(DR)。同時，在生成對抗網(wǎng)絡(luò)(GAN)的框架下，給定分解表征(DR)，生成網(wǎng)絡(luò)被訓練以生成相應(yīng)的圖像。最終，通過控制輸入圖像的分解表征(DR)，我們便可以完成不同的圖像再渲染任務(wù)。經(jīng)實驗證明，TDGAN能夠按照描述生成高質(zhì)量的目標圖像，進一步提升了圖像再渲染任務(wù)的性能，在兩個不同的數(shù)據(jù)集上，TDGAN的表現(xiàn)均超越了當前最優(yōu)模型。

論文2：Adaptive Manifold Regularized Matrix Factorization for Data Clustering

本文將觀測數(shù)據(jù)的聚類看作是穩(wěn)健的矩陣分解，將這種穩(wěn)健的矩陣分解結(jié)果作為監(jiān)督信息加入到提出的分解模型中，實現(xiàn)在學習到映射矩陣的同時不斷的調(diào)整提出的分解模型，并在求解中通過一種新型的增廣拉格朗日乘子約束，實現(xiàn)自適性的流形正則矩陣分解，減少由于核函數(shù)、核參數(shù)等選擇造成聚類結(jié)果不穩(wěn)定的影響。

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

本文將目標域數(shù)據(jù)和源域數(shù)據(jù)融合到同一個主動學習框架中，通過融合框架查詢目標域樣本進行標記，不斷地修改源域數(shù)據(jù)樣本的權(quán)重，使其更加適合目標域數(shù)據(jù)的分類任務(wù)，達到充分利用已有多源數(shù)據(jù)和最大化減少目標任務(wù)耗損的目的。

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

該文章將點度的冪律分布引入傳統(tǒng)的隨機塊模型，糾正了傳統(tǒng)模型不能處理常見網(wǎng)絡(luò)數(shù)據(jù)中的無標度特征的缺點，提高了網(wǎng)絡(luò)社區(qū)檢測的精度。

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

本文提出的DCA-SVM算法利用NMF低維投影保持凸殼上頂點不變的特性，利用分治策略快速求解的近似凸殼訓練SVM，并證明了本文的近似SVM與傳統(tǒng)SVM的上下界關(guān)系。在不降低分類準確率的前提下，本文的算法極大的提升了SVM的訓練速度。

論文6： Feature Structure Transfer Learning

這篇論文講述了不同數(shù)據(jù)分布中的數(shù)據(jù)結(jié)構(gòu)是怎樣遷移的。證明了數(shù)據(jù)結(jié)構(gòu)的遷移可以和數(shù)據(jù)的標簽無關(guān)。為我們對數(shù)據(jù)結(jié)構(gòu)遷移的算法的認識和改進提供了理論基礎(chǔ)。

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

本文假設(shè)不同任務(wù)的特征表示不同，但應(yīng)用相同。利用各個任務(wù)的預測結(jié)構(gòu)為多個不同的特征表示尋找公共子空間，通過挖掘不同預測結(jié)構(gòu)在這個公共子空間中的高階相關(guān)性，實現(xiàn)多個異質(zhì)（即不同特征空間）之間的信息遷移，增強每個特征表示的表達力。

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

為了實現(xiàn)異質(zhì)域（不同特征表示）的任務(wù)之間距離度量的遷移，假設(shè)存在足量的無標簽多視角數(shù)據(jù)（每個數(shù)據(jù)樣本x^U同時擁有源域和目標域的特征表示x_S^U和x_M^U）。先從源任務(wù)中預先學習距離度量A_S^*，并從中提取知識片段{f_Sc }（線性或非線性映射）。再將目標距離度量A_M表示成映射函數(shù)的形式?_M (?)。通過最小化目標度量的經(jīng)驗損失，并使目標映射?_M與源任務(wù)知識片段f_S在大量無標簽多視角數(shù)據(jù)上達成一致（即，最小化f_S (x_S^U )與?_M (x_M^U )之間的差異），快速有效地幫助目標任務(wù)學習任意線性或非線性映射?_M，從而得到改進的目標距離度量A_M^*。

論文9：Privileged Matrix Factorization for Collaborative Filtering

在線消費系統(tǒng)中，本文考慮利用評論信息來增強推薦系統(tǒng)性能，并提出特權(quán)矩陣分解模型，利用評論信息來幫助學習模型中的軟間隔， 進而同時幫助用戶和信息矩陣的學習。該模型超越了以往基于評論建模的其他推薦模型，取得了更好的效果。

論文10：Collaborative Rating Allocation

本文針對現(xiàn)實生活中累積投票，理財規(guī)劃等有固定預算的問題提出了協(xié)同預算分配的方法，在預測用戶對某件產(chǎn)品的預算分配時考慮對用戶總體預算的約束。由于已有協(xié)同過濾算法不能直接用來優(yōu)化所提出的目標問題，我們建模時引入了多項式流形，并將共軛梯度下降法應(yīng)用到多項式流形優(yōu)化問題上，并取得了很好的效果。

論文11：Multi-Positive and Unlabeled Learning

MPU方法取代了傳統(tǒng)的BPU+1vs all的兩步方法，直接對MPU問題建模。耗時更少，準確率更高，對負類的選擇更加魯棒。

論文12：Privileged Multi-label Learning

特權(quán)多標簽學習提出了利用標簽之間的互相指導，可將標簽特征作為學習中的一種特權(quán)信息。這種特權(quán)信息可以無縫地嵌入到低秩模型中，實驗證明其可以顯著的提升多標簽學習的性能。

論文13：Classification and Representation Co-learning via Deep Networks

本文主要的優(yōu)點是通過雙通道網(wǎng)絡(luò)將圖像分類和特征學習相結(jié)合，同時考慮數(shù)據(jù)的全局信息和局部分布，二者能夠相互促進提升效果。同時，特征學習的約束也能在訓練數(shù)據(jù)樣本不夠的情況下防止網(wǎng)絡(luò)過擬合。多個數(shù)據(jù)集上的實驗結(jié)果充分證明了我們提出的方法和網(wǎng)絡(luò)結(jié)構(gòu)的有效性。

關(guān)于優(yōu)必選：

優(yōu)必選是一家全球領(lǐng)先的人工智能和人形機器人研發(fā)、制造和銷售為一體的高科技企業(yè)，目前公司已經(jīng)推出了平臺級智能家庭機器人Alpha 2、STEM教育智能編程機器人Jimu、智能云平臺商用服務(wù)機器人Cruzr，以及首個基于亞馬遜 Alexa 語音平臺的人形機器人Lynx等多款產(chǎn)品，在人形機器人驅(qū)動伺服、步態(tài)運動控制算法、機器視覺、機器學習、情感識別、SLAM(即時定位與地圖構(gòu)建)等領(lǐng)域已經(jīng)達到國際頂尖研發(fā)水平。

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。