优必选斩获 IJCAI 2017最佳学生论文奖，13篇论文入选

雷锋网 AI 科技评论按：人工智能领域最顶级的学术会议之一IJCAI（International Joint Conference on Artificial Intelligence，国际人工智能联合会议）于8月19日在澳大利亚墨尔本正式召开。在人工智能界，IJCAI一直享有盛誉。该会议聚集了人工智能领域最顶尖的研究者和优秀从业者，关注研讨领域涵盖机器学习、计算可持续性、图像识别、语音技术、视频技术等，对全球人工智能行业具有巨大影响力。

随着近年来人工智能领域的研究和应用持续升温，越来越多的国内企业和学者也在积极参与 IJCAI 并发表论文。今年，IJCAI共收到2540篇论文投稿，再创历史新高，最终录用660篇，录用率为26%。其中，由优必选AI首席科学家陶大程博士领导的优必选悉尼AI研究院有13篇论文被接收，同时陶大程博士还担任了此次会议的Area Chair。在这13篇论文中，《Tag Disentangled Generative Adversarial Networks for Object Image Re-rendering》这篇论文一举斩获最佳学生论文奖（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）则进入最佳杰出论文奖前三名。

具体论文列表如下：

论文1：Tag Disentangled Generative Adversarial Networks for Object Image

Re-rendering 

本文提出了一种全新的神经网络框架，标签分解生成对抗网络(Tag Disentangled Generative Adversarial Networks, TDGAN)，用于进行目标图像的再次渲染(Re-rendering)。给定目标图像作为输入，该网络(TDGAN)即可根据指定要求修改图像内容，并生成符合描述的图像。例如，改变输入图像的观察角度，光照条件，人脸表情等等。和以往工作不同，通过利用图像与其标签的对应关系，即标签是图像分解表征(disentangled representations, DR)的具体描述，我们训练分解网络以提取输入图像的分解表征(DR)。同时，在生成对抗网络(GAN)的框架下，给定分解表征(DR)，生成网络被训练以生成相应的图像。最终，通过控制输入图像的分解表征(DR)，我们便可以完成不同的图像再渲染任务。经实验证明，TDGAN能够按照描述生成高质量的目标图像，进一步提升了图像再渲染任务的性能，在两个不同的数据集上，TDGAN的表现均超越了当前最优模型。

论文2：Adaptive Manifold Regularized Matrix Factorization for Data Clustering

本文将观测数据的聚类看作是稳健的矩阵分解，将这种稳健的矩阵分解结果作为监督信息加入到提出的分解模型中，实现在学习到映射矩阵的同时不断的调整提出的分解模型，并在求解中通过一种新型的增广拉格朗日乘子约束，实现自适性的流形正则矩阵分解，减少由于核函数、核参数等选择造成聚类结果不稳定的影响。

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

本文将目标域数据和源域数据融合到同一个主动学习框架中，通过融合框架查询目标域样本进行标记，不断地修改源域数据样本的权重，使其更加适合目标域数据的分类任务，达到充分利用已有多源数据和最大化减少目标任务耗损的目的。

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

该文章将点度的幂律分布引入传统的随机块模型，纠正了传统模型不能处理常见网络数据中的无标度特征的缺点，提高了网络社区检测的精度。

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

本文提出的DCA-SVM算法利用NMF低维投影保持凸壳上顶点不变的特性，利用分治策略快速求解的近似凸壳训练SVM，并证明了本文的近似SVM与传统SVM的上下界关系。在不降低分类准确率的前提下，本文的算法极大的提升了SVM的训练速度。

论文6： Feature Structure Transfer Learning

这篇论文讲述了不同数据分布中的数据结构是怎样迁移的。证明了数据结构的迁移可以和数据的标签无关。为我们对数据结构迁移的算法的认识和改进提供了理论基础。

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

本文假设不同任务的特征表示不同，但应用相同。利用各个任务的预测结构为多个不同的特征表示寻找公共子空间，通过挖掘不同预测结构在这个公共子空间中的高阶相关性，实现多个异质（即不同特征空间）之间的信息迁移，增强每个特征表示的表达力。

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

为了实现异质域（不同特征表示）的任务之间距离度量的迁移，假设存在足量的无标签多视角数据（每个数据样本x^U同时拥有源域和目标域的特征表示x_S^U和x_M^U）。先从源任务中预先学习距离度量A_S^*，并从中提取知识片段{f_Sc }（线性或非线性映射）。再将目标距离度量A_M表示成映射函数的形式ϕ_M (∙)。通过最小化目标度量的经验损失，并使目标映射ϕ_M与源任务知识片段f_S在大量无标签多视角数据上达成一致（即，最小化f_S (x_S^U )与ϕ_M (x_M^U )之间的差异），快速有效地帮助目标任务学习任意线性或非线性映射ϕ_M，从而得到改进的目标距离度量A_M^*。

论文9：Privileged Matrix Factorization for Collaborative Filtering

在线消费系统中，本文考虑利用评论信息来增强推荐系统性能，并提出特权矩阵分解模型，利用评论信息来帮助学习模型中的软间隔， 进而同时帮助用户和信息矩阵的学习。该模型超越了以往基于评论建模的其他推荐模型，取得了更好的效果。

论文10：Collaborative Rating Allocation

本文针对现实生活中累积投票，理财规划等有固定预算的问题提出了协同预算分配的方法，在预测用户对某件产品的预算分配时考虑对用户总体预算的约束。由于已有协同过滤算法不能直接用来优化所提出的目标问题，我们建模时引入了多项式流形，并将共轭梯度下降法应用到多项式流形优化问题上，并取得了很好的效果。

论文11：Multi-Positive and Unlabeled Learning

MPU方法取代了传统的BPU+1vs all的两步方法，直接对MPU问题建模。耗时更少，准确率更高，对负类的选择更加鲁棒。

论文12：Privileged Multi-label Learning

特权多标签学习提出了利用标签之间的互相指导，可将标签特征作为学习中的一种特权信息。这种特权信息可以无缝地嵌入到低秩模型中，实验证明其可以显著的提升多标签学习的性能。

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

本文主要的优点是通过双通道网络将图像分类和特征学习相结合，同时考虑数据的全局信息和局部分布，二者能够相互促进提升效果。同时，特征学习的约束也能在训练数据样本不够的情况下防止网络过拟合。多个数据集上的实验结果充分证明了我们提出的方法和网络结构的有效性。

关于优必选：

优必选是一家全球领先的人工智能和人形机器人研发、制造和销售为一体的高科技企业，目前公司已经推出了平台级智能家庭机器人Alpha 2、STEM教育智能编程机器人Jimu、智能云平台商用服务机器人Cruzr，以及首个基于亚马逊 Alexa 语音平台的人形机器人Lynx等多款产品，在人形机器人驱动伺服、步态运动控制算法、机器视觉、机器学习、情感识别、SLAM(即时定位与地图构建)等领域已经达到国际顶尖研发水平。

雷峰网版权文章，未经授权禁止转载。详情见转载须知。