1008
機器人
燃！阿裏11篇論文入選IJCAI2017 人工智能領域捷報頻傳
阿裏妹導讀：在今年的國際人工智能聯合會議（IJCAI）上，阿裏巴巴有11篇論文入選。這是繼今年的CVPR會議入選4篇、KDD會議入選5篇後，阿裏巴巴在人工智能頂級會議上斬獲的最新成果。
IJCAI被認為是人工智能領域最頂級的學術會議之一，涵蓋機器學習、計算可持續性、圖像識別、語音技術、視頻技術等，對全球人工智能行業具有巨大影響力。今年IJCAI共收到2540篇論文投稿，再創曆史新高，最終錄用660篇，錄用率26%。
阿裏巴巴入選的11篇論文中，有6篇論文來自阿裏巴巴-浙大前沿技術聯合研究中心，3篇來自螞蟻金服，均被主會收錄。另外2篇來自天貓和菜鳥物流，被主題為“AI Applications inE-Commerce”的Workshop收錄。
IJCAI阿裏巴巴workshop現場照片
今年3月，阿裏巴巴推出NASA計劃，麵向未來20年組建強大的獨立研發機構，為服務近20億人的新經濟體儲備核心科技。為實現該目標，一方麵由金榕、華先勝、任小楓等技術領軍人物，組建iDST、AI Labs等研究機構；另一方麵發布首個全球性科研項目“AIR”計劃，推進計算機科學領域基礎性、前瞻性、突破性的研究，構建技術生態。
當前的阿裏巴巴正從“互聯網+模式”的商業模式創新引領者，變成科技創新的引領者。
以下為IJCAI2017阿裏巴巴入選論文（前6篇來自阿裏-浙大前沿技術聯合研究中心，後3篇來自螞蟻金服）
Image Gradient-based Joint DirectVisual Odometry for Stereo Camera
一種基於圖像梯度聯合優化的雙目視覺裏程計算法
作者：朱建科
本文中提出了一個全新的並且可以改進收斂獲得更精確姿態的雙目裏程計方法。我們算法的關鍵部分是一個基於多尺度金字塔構架的雙雅克比優化方法，並介紹了一個基於梯度特征的圖像表示方式。這使得我們的算法對光線變化很魯棒。創新地提出的聯合優化的雙目視覺裏程計算法將結合最新幀和之前關鍵幀的信息。
地址：
https://www.ijcai.org/proceedings/2017/0636.pdf
DeepFacade: A Deep Learning Approach to Facade Parsing
深度表麵：一種基於深度學習的建築表麵解析方法
作者：劉漢唐，張加良，朱建科，許主洪
我們提出一種基於深度學習的解析建築物表麵的方法。人工製造的建築規則通常具有很高的對稱性。基於這個觀察，我們為神經網絡提出了一個對稱的約束項。我們的方法可以同時采用深度學習和人工先驗信息的優點。我們通過給FCN-8s增加對稱損失函數來檢測我們方法的效果。實驗結果顯示我們的方法在ECP和eTREIMS數據集上打敗了之前領域內最先進的方法，是第一個在全圖尺度上使用深度神經網絡的方法。
地址：
https://www.ijcai.org/proceedings/2017/0320.pdf
CFNN: Correlation Filter Neural Network forVisual Object Tracking
CFNN：一種協相關濾波神經網絡的可視物體跟蹤算法
作者：李洋，徐展 ，朱建科
我們提出了一個新穎的協相關濾波神經網絡結構以及一整套跟蹤算法，是傳統卷積神經網絡的一個特例。它的網絡初始化不需要在任何額外數據集上進行任何的提前訓練。得益於循環采樣技術，我們提出的方法在網絡初始化時便可以得到有效的判別能力並且在網絡更新時兼具向後傳播算法的優勢從而習得新樣本的外觀變化。整個跟蹤過程同時繼承了卷機網絡以及協相關濾波算法的互補優勢。
地址：
https://www.ijcai.org/proceedings/2017/0309.pdf
Deep Optical Flow EstimationVia Multi-Scale Correspondence Structure Learning
基於多尺度對應結構化學習的深度光流估計
作者：趙杉杉，李璽，奧馬
我們提出的MSCSL學習框架利用深度學習得到多尺度特征空間，進而在該深度特征空間中學習多尺度圖像之間的對應結構。MSCSL通過建立一個空間卷積GRU（SpatialConv-GRU）神經網絡模型去自適應地建模不同尺度對應結構之間的內在依賴關係。最後，在端到端深度學習框架中實現上麵兩個過程。
地址：
https://www.ijcai.org/proceedings/2017/0488.pdf
Group-wise Deep Co-saliencyDetection
基於端到端全卷積神經網絡的組協同顯著性檢測
作者：魏李娜，趙杉杉，奧馬，李璽，吳飛
我們設計了一個統一的端到端深度學習框架對組內共享特征和單張圖像特征的互動及關聯關係進行聯合學習，從而使模型更具準確性和魯棒性。
地址：
https://www.ijcai.org/proceedings/2017/0424.pdf
Boosted Zero-Shot Learningwith Semantic Correlation Regularization
基於語義相關性約束的提升零樣本分類學習
作者：皮特，李璽，張仲非
我們設計了一個語義相關性正則化（SCR）方法，以約束提升分類模型使之與類別間的語義相關性結構相一致。隨著將SCR正則化嵌入提升分類，以及嵌入針對魯棒學習的自控製樣本選擇過程，我們提出了一個統一的框架，基於語義相關性約束的提升零樣本分類模型（BZ-SCR）。通過平衡受SCR正則化的提升模型選擇過程和自控製的樣本選擇過程，BZ-SCR能夠捕捉從特征到類別語義的有判別性的、可適應的校準，同時保證被學習樣本的可靠性和對目標類別的適應性。
地址：
https://www.ijcai.org/proceedings/2017/0362.pdf
Local Linear Factorization Machines
Chenghao Liu, Teng Zhang, Peilin Zhao, Jun Zhou, Jianling Sun
局部線性因子分解機
劉成昊, 張騰, 趙沛霖, 周俊, 孫建伶
摘要：因子分解機（FM）是一種被廣泛應用的方法，因其在分類和回歸任務中可以高效利用高階特征交互。不幸地，盡管對因子分解機有不斷增長的興趣，現存工作僅僅考慮了輸入特征的二階信息。這限製了它在非線性問題上的能力且不能捕捉更複雜數據的潛在結構。在這個工作中，我們提出了一種新的局部線性因子分解機（LLFM）。它利用局部編碼技術克服了上述FM的缺陷。現存局部編碼分類器的學習方法包含了一個無監督錨點學習階段和一個預定義的局部編碼方案。由於編碼方案中沒有利用數據的類別信息，這些方法會導致用於預測的編碼是次優的。不同於已有方法，我們在錨點、局部編碼坐標、和FM參數上規劃出一個聯合優化方案，來最小化分類或回歸風險。最後，我們通過實驗證明了，我們的方法取得了比其他已有FM方案、以及利用無監督錨點學習和預定義編碼的LLFM明顯更好的預測精度。
論文鏈接：https://www.ijcai.org/proceedings/2017/0319.pdf
Learning User Dependencies for Recommendation
Yong Liu, Peilin Zhao, Xin Liu, Min Wu, Lixin Duan, Xiaoli Li
為推薦學習用戶相關性
劉勇, 趙沛霖, 劉星, 吳敏, 段立新, 李曉黎
摘要：社交推薦係統利用用戶的社交關係來提高推薦精度。直覺上來講，一個用戶對於不同的場景傾向於信任不同的用戶。因此，社交推薦的一個主要挑戰是對於一個給定的推薦任務如何利用用戶間的最合適的相關性。以前的社交推薦方法通常是基於預定義的用戶相關性而開發的。因此，對於一個具體的推薦任務，它們可能不是最優的。在這篇文章裏，我們提出了一個名為概率關係矩陣分解（PRMF）的推薦方法，它可以自動學習用戶相關性來提高推薦精度。在PRMF裏，我們假設用戶的潛在特征是服從矩陣變量正態（MVN）分布。此外，用戶的正負相關性都可以用MVN分布的行精度矩陣來模擬。為了求解PRMF裏的優化問題，我們提出了一個交替優化算法。最後，在四個真實數據上的大量實驗證明了所提PRMF算法的效力。
論文鏈接：https://static.ijcai.org/proceedings-2017/0331.pdf
Online Multitask Relative Similarity Learning
Shuji Hao, Peilin Zhao, Yong Liu, Steven C. H. Hoi, Chunyan Miao
在線多任務相對相似度學習
郝書吉, 趙沛霖, 劉勇, 許主洪, 苗春燕
摘要：相對相似度學習（RSL）旨在通過由相對約束組成的數據來學習相似度函數。以前的大部分為RSL設計的算法是離線學習算法，所以在處理現實世界中的流式數據時會遭受極差的可擴展性。此外，這些現存算法經常被設計來為一個具體的任務學習一個單獨的相似度函數。因此，它們在解決多任務學習問題時是次優的。為了克服這些缺陷，我們提出了一個可擴展的RSL框架，並命名為在線多任務相對相似度學習（OMTRSL）。具體來說，我們首先針對多任務相對相似度學習開發了一個簡單有效的在線學習算法。然後，我們又提出一個主動學習算法來節省打標的成本。所提出的算法不僅享有極好的理論保證，也在現實數據集的實驗上展現了其高效能和效率。
論文鏈接：https://www.ijcai.org/proceedings/2017/0253.pdf
以下兩篇被主題為“AI Applications in E-Commerce”的Workshop收錄
Solving a New 3D Bin Packing Problem with Deep ReinforcementLearning Method
利用深度強化學習解決新型三維裝箱問題
作者：胡浩源 張曉東 王龍飛 徐盈輝
本文通過近些年被成功應用於組合優化問題的深度學習技術--Pointer Network來對物品的放入順序進行學習和優化。基於大量實際數據構建和訓練了深度強化學習網絡，並對此網絡的效果進行了檢驗，結果表明相對於已有的啟發式方法，使用本文提出的深度強化學習方法可以獲得大約5%的效果提升。
Life-stage inference in E-commerce: adynamic merging based approach
電子商務中的生命階段推斷：一種動態融合方法
作者：周中晟，張禕東，舒智超，鄧玉明，王曉晴
為了提升用戶購物體驗，豐富用戶資料並探索用戶的潛在興趣是有價值的。例如，我們應該對初生嬰兒的媽媽展示尿布，對1到2歲寶寶的媽媽展示兒童服裝，因為媽媽們會在特定階段對購買這些商品感興趣。我們設計了一種基於動態融合方法的生命階段推斷，可用於預測用戶年齡並在電商推薦係統中使用。動態融合的關鍵是維護具有不同分類結論的多個概率分布，並在合適的時候對其進行更新。長期來看，隻有有限個概率分布會被保留下來，我們可以根據這些分布對生命階段進行推斷。這樣做的優點是無論對一個或是多個用戶都能使用統一的生命階段預測結構，並且可以識別消費者的短期偏好。
你可能還喜歡
最後更新：2017-08-23 12:05:26