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(xiàng)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(xiàng)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(gè)獎項(xiàng)已經(jīng)被中國學(xué)生包了，后一個(gè)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(yàn)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(shí)這種方式表現(xiàn)并不是很好。現(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(jì)算它。例如，在一張圖中，不是通過具體的算法來計(jì)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(gè)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(jìn)行約束，事實(shí)蘊(yùn)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(dá)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(gè)堅(jiān)實(shí)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(gè)比賽。每年一搞。GGP是一個(gè)電腦系統(tǒng)可以靠描述在一定“運(yùn)行時(shí)間”內(nèi)獨(dú)自進(jìn)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(gè)游戲的，例如深藍(lán)，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(gè)游戲的智能本身而不是那個(gè)設(shè)計(jì)這個(gè)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(jī)游戲。GDL游戲中的極小值優(yōu)化問題在此變成了隨機(jī)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(bǔ)集推斷出來。基于這種方法的理論分析，我們用實(shí)驗(yàn)方法展示了多種游戲，最近的隨機(jī)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(duì)員在最近一次GGP比賽中獲得的出色成績得到了驗(yàn)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(shí)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(shí)驗(yàn)，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(gè)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(gè)場景屬性（如視點(diǎn)，照明，表情等）從單個(gè)圖像重新渲染出感興趣對象的新圖像。整個(gè)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(shí)現(xiàn)用于生成更逼真圖像的對抗訓(xùn)練策略。兩個(gè)有挑戰(zhàn)性的數(shù)據(jù)集實(shí)驗(yàn)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(jī)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(gè)向量變量{x_j}，這些變量是從一個(gè)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(jì)值不是<x>（樣本平均值），而是由James和Stein在在1961年提出的估計(jì)量（James–Stein estimator或收縮估計(jì)量）。

大規(guī)模內(nèi)核近似是機(jī)器學(xué)習(xí)研究中的一個(gè)重要問題。Rahimi等人使用隨機(jī)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(yàn)平均估計(jì)。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(jì)器，這種估計(jì)器將為隨機(jī)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(yàn)風(fēng)險(xiǎn)方面提供了理論依據(jù)。我們進(jìn)一步提出了一種有效的隨機(jī)算法用于所提方法的大規(guī)模應(yīng)用。我們對六個(gè)基準(zhǔn)數(shù)據(jù)集的實(shí)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(gè)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(gè)性化顯著性預(yù)測，Personalized Saliency Prediction，PSP

顯著性檢測是計(jì)算機(jī)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(gè)體在觀看包含多個(gè)顯著物體的同一個(gè)圖案時(shí)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(gè)個(gè)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(jì)PSM和USM之間的差異。 綜合實(shí)驗(yàn)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(jì)算所王永慶詳解IJCAI 17錄用論文：如何用注意力機(jī)制RNN進(jìn)行信息傳播建模？｜IJCAI 2017

IJCAI探營第一天 6個(gè)Tutorial 和13個(gè)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(gè)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。