人工智能领域国际顶级会议AAAI-2019公布录用结果

微博        2019-05-15   来源:qy雪路浪游

近日,人工智能领域国际顶级会议AAAI-2019公布的录用结果中,我院纪荣嵘教授、王菡子教授、林琛副教授、李军教授4个课题组共有10篇论文入选,其中纪荣嵘教授团队7篇,王菡子教授团队1篇,林琛副教授团队1篇、李军教授团队1篇。AAAI会议是人工智能领域的顶会,由国际人工智能协会主办,在中国计算机学会(CCF)会议推荐列表中为A类会议。AAAI有着严苛的录用标准,此次投稿量高达7700多篇,但录用率为近年最低,仅有16.2%。此次被录用的论文的相关信息如下:


【纪荣嵘教授团队】

01

题目:Learning Neural Bag-of-Matrix-Summarization with Riemannian(作者: Hong Liu, Jie Li, Yongjian Wu, Rongrong Ji*)。本文共同一作分别是是厦门大学智能科学系2016级博士研究生刘弘与2017级硕士研究生李杰,通讯作者是其导师纪荣嵘教授。

该论文提出了一种神经矩阵摘要的算法,并将其与黎曼网络整合,用于高阶统计特征的紧凑性表征学习。本文的核心思路是在黎曼空间用少量重要样本压缩训练数据。在该压缩集上,我们提出了一个新的网络层用于计算输入特征的统计分布,进而实现高阶统计特征的紧凑化表示。最后,提出的方法可以与经典的黎曼网络整合,通过特征到标签的端到端学习,实现高阶特征的分类。在人脸情感分类、人体姿态识别、脑电信号分析等任务上,均取得较大的性能提升。

02

题目:Towards Optimal Discrete Online Hashing with Balanced Similarity(作者:  Mingbao Lin, Rongrong Ji*, Hong Liu, Xiaoshuai Sun, Yongjian Wu, Yunsheng Wu)。论文第一作者林明宝是厦门大学智能科学系2018级博士研究生,通讯作者是其导师纪荣嵘教授。

本文提出一种在线哈希学习技术。利用非对称约束保留新得到数据与已有数据的相似性信息,同时,本文鉴定出了在线学习中存在的数据不平衡问题并针对此提出一种平衡相似性技术来平衡相似与非相似性的权重问题,所提的平衡相似性技术同时使得离散优化第一次在在线学习问题上得到成功的应用。在公开的三个数据集测试表明,所提方法在时间和性能上都取得了不错的性能表现。

03

题目:Towards Optimal Fine Grained Retrieval via Decorrelated Centralized Loss with Normalize-Scale layer(作者: Xiawu Zheng, Rongrong Ji*, Xiaoshuai Sun, Baochang Zhang, Yongjian Wu, Feiyue Huang)。论文第一作者是厦门大学智能科学系2018级博士研究生郑侠武,通讯作者是其导师纪荣嵘教授。

本文提出了一种基于全局中心排序损失及施密特正交化的最优细粒度检索方法。在普通的细粒度检索方法中,存在如下两个问题,1.基于softmax的方法无法直接对距离度量进行优化,2.现有的度量学习方法无法从全局对目标函数进行优化。因此,本文提出了一种基于全局中心排序损失及施密特正交化的损失函数,可直接解决上述问题,并且在精度以及训练速度上,均达到了最优。


04

题目:Dynamic Capsule Attention for Visual Question Answering(作者: Yiyi Zhou, Rongrong Ji*, Jinsong Su, Xiaoshuai Sun, Weiqiu Chen)。论文第一作者是厦门大学智能科学系博士研究生周奕毅,通讯作者是其导师纪荣嵘教授。

本文提出了一种紧凑的注意力算法用于视觉问答等多模态任务当中。该算法借鉴近期提出的胶囊网络的思想,将输入的视觉特征向量当作底层胶囊,然后通过动态路由的方式获获得基于问题内容的注意力特征。同传统的多步注意力机制相比,该算法能够以动态的方式完成多步视觉推理,在取得更高性能的同事极大的降低模型参数量。

05

题目:Free VQA Models from Knowledge Inertia By Pairwise Inconformity Learning.(作者: Yiyi Zhou, Rongrong Ji*, Jinsong Su, Xiaoshuai Sun, Xiangming Li)。论文第一作者周奕毅是厦门大学智能科学系博士研究生,通讯作者是其导师纪荣嵘教授。

本文关注了视觉问答任务中模型知识惯性的问题,并针对性地提出了一种非对称学习策略。在该策略下,模型同时处理具有相似图像不同答案的样本对,并采用多模态嵌入损失及基于动态边际的三重损失函数来强化模型对视觉信息的学习,减少对问题文本先验的依赖。在增加极其少量参数的情况下,该策略能够让模型得到显著的提高。

06

题目:Hypergraph Neural Networks(作者: Yifan Feng, Haoxuan You, Zizhao Zhang, Rongrong Ji, Yue Gao)。论文第一作者丰一帆是厦门大学智能科学系2018级硕士研究生。

本文提出了一种基于深度学习的超图神经网络,用来解决真实数据集上复杂数据关联难以建模的问题。本文提出的超图卷积操作相比传统超图学习方式效率更高,能够从高维数据结构中学到数据的隐层表示。在引用数据集和可视化数据集上的分类任务相对超图卷积网络方法均有明显的性能提升。

07

题目: PVRNet: Point-View Relation Neural Network for 3D Shape Recognition(作者: Haoxuan You, Yifan Feng, Xinbin Zhao, Chanqging Zou, Rongrong Ji, Yue Gao)。

本文提出一种点云与视图多模态融合的三维立体视觉表征学习算法。对于同一三维物体,通常由一个点云和若干个视图共同描述,本文的核心思路是建模点云与视图之间的关系,我们提出关系得分网络用于学习每个视图与对应点云的关系分数,在不同视图关系分数的基础上建立点云-单视图融合网络和点云-多视图融合网络,进而实现对点云和视图的有效多模态融合表征。在三维物体识别和检索等任务上,均取得了较好的性能提高。

【林琛副教授团队】

题目:Non-Compensatory Psychological Models for Recommender Systems (作者: Chen Lin*, Xiaolin Shen, Si Chen, Muhua Zhu, Yanghua Xiao)。本文一作和通讯作者是厦门大学计算机科学系林琛副教授。

该论文提出了一种基于非补偿性决策规则的推荐系统框架。传统的推荐系统,无论是进行评分预测或者排序重构,都可以看作是补偿性决策规则的实现:对于一个商品,用户通过衡量商品各方面属性得到一个综合的评价,商品优秀属性的积极评价“补偿”了商品劣势属性上的消极评价。本文提出的计算框架基于非补偿性决策规则,即商品各方面属性的优缺点无法互补。具体来说,本计算框架综合了两种决策规则:1)用户选择一个主导属性,以该属性的性能决定商品的总体评价;2)入选商品在其他属性上的性能不能低于用户偏好的某个阈值。该框架能够轻易扩展到一系列评分预测和排序模型上,并且实验结果显示,该框架可以普适地提升现有的推荐模型效果。

【李军教授团队】

题目:Geometric Multi-Model Fitting by Deep Reinforcement Learning (作者: Zongliang Zhang, Hongbin Zeng, Jonathan Li*, Yiping Chen, Chenhui Yang, Cheng Wang)。本文一作是厦门大学计算机科学系2013级博士研究生张宗良,通讯作者是其导师杨晨晖教授。

该论文提出了一种基于深度强化学习的几何多模型拟合算法。该文的核心思路是将多模型拟合问题看成一个序贯的决策过程,然后用深度强化学习算法来学习最优决策以达到最好拟合效果。具体来说,对每个模型的参数的值的选择可以看成一个决策,对多个模型的参数的值的选择即可看成由多个这样的决策组成的一个序贯决策过程,从而可以用深度强化学习来高效地学习最优决策。实验表明,该文方法所需的拟合迭代次数比当前主流算法减少几十倍。

AAAI

AAAI的英文全称是 the Association for the Advance of Artificial Intelligence

AAAI 成立于 1979 年,最初名为“美国人工智能协会” (American Association for Artificial Intelligence),2007 年才正式更名为“人工智能促进协会” (Association for the Advancement of Artificial Intelligence ),现在在全球有超过6000名会员,是人工智能领域的最重磅会议之一。


相关阅读