雷鋒網(wǎng)AI科技評論按：研討會開了幾天，IJCAI 2017正會終于要開始了，接下來的幾天將是一系列激動人心的特邀演講和各種獎項的確定和頒發(fā)。

在明天早上的開幕典禮上，將從6篇入圍的論文中確定期待已久的兩項Distinguished Papers獎。這6篇論文當(dāng)中，3篇Distinguished Student Paper全是華人學(xué)生的論文，而Distinguished Paper中也有一篇是中國學(xué)者的工作。所以前一個獎項已經(jīng)被中國學(xué)生包了，后一個也很有可能會是中國學(xué)者獲獎。在頒獎之前，我們不如先來了解一下這六篇論文內(nèi)容，然后押上一寶，明天看能否猜中哪家獲獎。

入圍的最佳論文

1）使用Limit Datalog程序的聲明數(shù)據(jù)分析的基礎(chǔ)

下載地址：https://arxiv.org/pdf/1705.06927.pdf

雷鋒網(wǎng)注：分析復(fù)雜數(shù)據(jù)目前是非常熱的話題，這種分析，例如數(shù)據(jù)聚合、屬性驗證或查詢回答等，現(xiàn)在主要是通過指定如何操作數(shù)據(jù)來完成，但是當(dāng)數(shù)據(jù)較為復(fù)雜時這種方式表現(xiàn)并不是很好?，F(xiàn)在有人提出數(shù)據(jù)分析應(yīng)當(dāng)被聲明，也就是說用戶應(yīng)當(dāng)描述期望輸出是什么，而不是怎么計算它。例如，在一張圖中，不是通過具體的算法來計算最短路徑，而是應(yīng)當(dāng)1）描述什么是路徑長度；2）選擇最小長度的路徑。

在數(shù)據(jù)分析中，近來有人提出了聲明數(shù)據(jù)分析（declarative data analysis）方法，這種方法一個重要組成部分就是能夠捕獲相關(guān)任務(wù)的有效語言，Datalog_Z（支持遞歸）是其首選，但是這種語言是不可判定的。我們通過引入limit Datalog_Z并對使用乘法進行約束，事實蘊涵在聚合中將變得conExpTime-完整，在數(shù)據(jù)復(fù)雜性中變得coNP完整。此外，額外的穩(wěn)定性要求會導(dǎo)致復(fù)雜性分別下降到ExpTime和PTime。最后我們展示了穩(wěn)定的Datalog_Z可以用來表達許多數(shù)據(jù)分析任務(wù)，所以我們的這些結(jié)果將為高級信息系統(tǒng)的開發(fā)提供一個堅實的基礎(chǔ)。

2）全局游戲策略（GGP）中基于約束的對稱檢測

下載地址：https://www.ijcai.org/proceedings/2017/0040.pdf

雷鋒網(wǎng)注：全局游戲策略，General Game Playing，是斯坦福大學(xué)組織的一個比賽。每年一搞。GGP是一個電腦系統(tǒng)可以靠描述在一定“運行時間”內(nèi)獨自進行策略游戲。換句話說，它們不知道規(guī)則直到游戲開始。不像專門對應(yīng)于一個游戲的，例如深藍，全局游戲策略不是依賴特定的算法來對應(yīng)特定的游戲；它們必須令程序自己開發(fā)算法。全局游戲策略依賴于玩這個游戲的智能本身而不是那個設(shè)計這個程序的程序猿的腦子。

對稱檢測是減少游戲搜索樹的一種有前途的方法。在全局游戲策略（GGP）中，任何一種游戲都是由游戲描述語言（GDL）中的一組規(guī)則表示出來的，而對稱檢測的最佳方法則依賴于與游戲的GDL描述有關(guān)的規(guī)則圖。雖然這種基于規(guī)則的對稱檢測方法可以應(yīng)用于各種樹搜索算法，但它們僅涵蓋在GDL描述中顯而易見的有限數(shù)量的對稱性。在本文中，我們開發(fā)了一種替代方法，這種對稱檢測方法是來自于利用約束編程技術(shù)的隨機游戲。GDL游戲中的極小值優(yōu)化問題在此變成了隨機約束滿足問題（stochastic constraint satisfaction problem, SCSP），可以將其視為一級SCSP序列。Minimax對稱性由這些一級約束網(wǎng)絡(luò)的微結(jié)構(gòu)的補集推斷出來?；谶@種方法的理論分析，我們用實驗方法展示了多種游戲，最近的隨機約束求解器MAC-UCB，加上基于約束的對稱性檢測，顯著地優(yōu)于標(biāo)準(zhǔn)的蒙特卡洛樹搜索算法+基于規(guī)則的對稱性檢測。這種約束驅(qū)動的方法也通過我們的隊員在最近一次GGP比賽中獲得的出色成績得到了驗證。

3）通過知識片段轉(zhuǎn)移的一般異構(gòu)遷移距離度量學(xué)習(xí)

下載地址：https://www.ijcai.org/proceedings/2017/0341.pdf

雷鋒網(wǎng)注：遷移學(xué)習(xí)（Transfer learning） 顧名思義就是就是把已訓(xùn)練好的模型參數(shù)遷移到新的模型來幫助新模型訓(xùn)練數(shù)據(jù)集?？紤]到大部分?jǐn)?shù)據(jù)或任務(wù)是存在相關(guān)性的，所以通過遷移學(xué)習(xí)，我們可以將已經(jīng)學(xué)到的參數(shù)分享給新模型，從而加快并優(yōu)化模型的學(xué)習(xí)，不用像之前那樣從零開始。

遷移學(xué)習(xí)旨在利用其他相關(guān)任務(wù)的信息（遷移知識）來提高目標(biāo)學(xué)習(xí)任務(wù)的表現(xiàn)。最近，遷移距離度規(guī)學(xué)習(xí)（transfer distance metric learning, TDML）引起了很大的興趣，但是大多數(shù)這類方法都假設(shè)源和目標(biāo)學(xué)習(xí)任務(wù)的特征表示是一樣的。因此，他們不適用于數(shù)據(jù)來自異構(gòu)域（特征空間、模態(tài)和事件語義）的應(yīng)用程序。雖然現(xiàn)在有一些異構(gòu)遷移學(xué)習(xí)（heterogeneous transfer learning，HTL）方法能夠處理這樣的問題，但它們在實際的程序中缺乏靈活性，且學(xué)習(xí)遷移也通常被限制為線形的。所以，我們在此開發(fā)了一種基于知識片段遷移策略的異構(gòu)TDML（HTDML）框架，這種框架更為通用且更為靈活。在我們的HTDML中，可以使用任何（線形或非線性）的距離度規(guī)學(xué)習(xí)算法來學(xué)習(xí)預(yù)先準(zhǔn)備好的源度規(guī)，然后從源度規(guī)中提取一組知識片段來幫助目標(biāo)度規(guī)學(xué)習(xí)。此外，不管是線形還是非線性的距離度規(guī)都可以從目標(biāo)域中學(xué)習(xí)。通過大量對場景分類和對象識別的實驗，證明了我們所提出的這種方法的優(yōu)越性。

 

入圍的最佳學(xué)生論文

1）用于對象圖像重新渲染的標(biāo)記解脫生成對抗網(wǎng)絡(luò)

下載地址：https://www.ijcai.org/proceedings/2017/0404.pdf

雷鋒網(wǎng)注：標(biāo)記解脫生成對抗網(wǎng)絡(luò)（Tag Disentangled Generative Adversarial Networks，TDGAN）

在本文中，我們提出了一個原理性的標(biāo)記解脫生成對抗網(wǎng)絡(luò)（TDGAN），用于通過指定多個場景屬性（如視點，照明，表情等）從單個圖像重新渲染出感興趣對象的新圖像。整個框架由解離網(wǎng)絡(luò)（Disentangled Network），生成網(wǎng)絡(luò)（Generative Network），標(biāo)簽映射網(wǎng)絡(luò)（Tag Mapping Net）和辨別網(wǎng)絡(luò)（Discriminative Network）組成，它們基于完全/部分標(biāo)記的給定圖像集（即監(jiān)督/半監(jiān)督設(shè)置）來聯(lián)合訓(xùn)練。給定一張輸入圖像，解離網(wǎng)絡(luò)將提取解離的、可解釋的表示，隨后生成網(wǎng)絡(luò)將用它來生成圖像。為了提高解離表示的質(zhì)量，于是在我們的框架中集成了標(biāo)簽映射網(wǎng)絡(luò)來探測圖像與其標(biāo)簽之間的一致性。此外，引入辨別網(wǎng)絡(luò)以實現(xiàn)用于生成更逼真圖像的對抗訓(xùn)練策略。兩個有挑戰(zhàn)性的數(shù)據(jù)集實驗證明了這種框架在這些問題上的優(yōu)良表現(xiàn)。

2）使用Stein效應(yīng)的數(shù)據(jù)驅(qū)動隨機傅立葉特征

下載地址：http://static.ijcai.org/proceedings-2017/0207.pdf

雷鋒網(wǎng)注：Stein效應(yīng)——假設(shè)有n個向量變量{x_j}，這些變量是從一個p（p>3）維、平均值為μ的多變量正態(tài)分布中抽取出來的樣本。那么μ的最有效的估計值不是<x>（樣本平均值），而是由James和Stein在在1961年提出的估計量（James–Stein estimator或收縮估計量）。

大規(guī)模內(nèi)核近似是機器學(xué)習(xí)研究中的一個重要問題。Rahimi等人使用隨機傅里葉特征的方法現(xiàn)在變得越來越受歡迎，其中核近似被視為通過蒙特卡羅或準(zhǔn)蒙特卡羅積分的經(jīng)驗平均估計。這種方法的局限性在于，所有的特征都獲得相等的權(quán)重（總和為1）。在本文中，我們提出了一種“Stein效應(yīng)”的新的收縮估計器，這種估計器將為隨機特征提供一種數(shù)據(jù)驅(qū)動的加權(quán)策略，并在降低經(jīng)驗風(fēng)險方面提供了理論依據(jù)。我們進一步提出了一種有效的隨機算法用于所提方法的大規(guī)模應(yīng)用。我們對六個基準(zhǔn)數(shù)據(jù)集的實證結(jié)果表明，這種方法在內(nèi)核近似和監(jiān)督學(xué)習(xí)任務(wù)中都比典型方法表現(xiàn)得更好。

3）多任務(wù)CNN的個性化顯著性預(yù)測

下載地址：https://www.ijcai.org/proceedings/2017/0543.pdf

雷鋒網(wǎng)注：個性化顯著性預(yù)測，Personalized Saliency Prediction，PSP

顯著性檢測是計算機視覺中長期存在的問題。大量的工作都集中在探索不分性別、種族、年齡等差別的具有普遍性的顯著性模型。然而最近的心理學(xué)研究表明，個體在觀看包含多個顯著物體的同一個圖案時會表現(xiàn)出差異性。 在本文中我們首次表明，這種異質(zhì)性對于可靠的顯著性預(yù)測是常見的和決定性的。 我們的研究還生成了首個個性化顯著圖（PSMs）的數(shù)據(jù)庫。我們基于不同參與者共享的通用顯著圖（USM）來為PSM建模，并采用多任務(wù)CNN框架來估計PSM和USM之間的差異。 綜合實驗表明，我們新的PSM模型和預(yù)測方案是有效且可靠的。

相關(guān)文章：

中科院計算所王永慶詳解IJCAI 17錄用論文：如何用注意力機制RNN進行信息傳播建模？｜IJCAI 2017

IJCAI探營第一天 6個Tutorial 和13個Workshop為什么都“擠在” RMIT 80號樓？

IJCAI主會第一天總結(jié) ：一片祥和之中暗藏3個高潮！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。