IJCAI 2019 論文：中國團隊佔 38%，北大南大榜上有名

時間 2019-11-06

標籤 ijcai 論文團隊 38% 北大南大榜上有名简体版

原文原文鏈接

AI 頂會 IJCAI 2019 已於 8 月 16 日圓滿落幕。在連續 7 天的技術盛會中，與會者在工做坊瞭解了 AI 技術在各個領域的應用場景，聆聽了 AI 界前輩的主題演講，還有機會在圓桌會中瞭解， AI 發展歷史故事以及最新進展與趨勢。此外，會議收錄的論文無疑是最受關注的內容，咱們特此分領域整理了多篇精選論文，與你們分享。php

人工智能頂級會議 IJCAI 2019 於 8 月 10 日至 8 月 16 日，在中國澳門舉行並圓滿落幕。算法

在 8 月 13 日的開幕式上，大會主辦方對本次大會的論文收錄狀況進行了梳理。大會主席 Thomas Eiter 公佈瞭如下信息：今年的 IJCAI 共收到 4752 篇論文提交，最終收錄數量達到了歷史新高 850 篇，錄取率爲 17.9% 。編程

隨後大會的程序委員主席 Sarit Kraus 對論文的狀況做了詳細的說明，相比於去年收錄的 3470 篇，今年增加率爲 37% ，收錄的 850 篇論文中，有 327 篇來自中國，佔比 38%。網絡

在論文的主題上，機器學習依然是最熱的一個領域，收錄數量爲 438 篇，超過半數，此外論文數量最多的領域依次爲計算機視覺，機器學習應用，天然語言處理。框架

今年共有 73 位領域主席以及 740 位高級程序委員會成員以及 2696 位程序委員會成員參與論文評審。由他們評審出來的優秀論文都有哪些呢？機器學習

鳳毛麟角的獲獎論文

IJCAI 2019 從 850 篇論文中評選出一篇傑出論文(Distinguished Paper)：ide

摘要：做者研究了一種基於對比條件下的分類問題。這種問題通常是這樣的：給定一個集合，只能得到三元組信息，這個三元組的信息是三個目標的對比，如 x_i 到 x_j 的距離比 x_i 到 x_k 的距離小，怎樣將 x_i 分類呢？在這篇論文中，研究人員提出了名爲 「TripletBoost」的算法，能夠從這樣的三元組數據中學習分類器。論文的主要思想是，將三元組帶來的距離信息輸入一個弱分類器中，能夠序列化地逐步提高爲一個強分類器。
這樣的方法有兩個優點：首先這種方法能夠應用在各類矩陣空間中，另外這個方法能夠解決不少領域中，只能被動得到的或者噪聲的三元組信息。研究人員在論文中理論上驗證了這一方法的可行性，並提出了須要得到的三元組數量的下限。經過實驗，他們說這種方法相比現有的方法更好，而且可以更好的抵抗噪聲。佈局

得到 IJCAI-JAIR 最佳論文（Best Paper）的是：性能

注：這一獎項頒發給過去五年裏發表在 JAIR 上的論文。學習

摘要：該論文表示，最典型的 NP 徹底問題（NP-complete），布爾可知足性（SAT）和它 PSPACE-complete 泛化版的量化布爾可知足性（QAT）是聲明式編程範式的核心，它能高效解決各類計算性複雜問題在現實世界中的實例。該領域的成功是經過在 SAT 和 QSAT 決策程序的實際實現上，即 SAT 和 QSAT 求解器上的突破而實現的。在這篇論文中，研究者開發並分析了用於預處理和後處理的子句消除（clause elimination）過程。其中子句消除過程造成了一套 (P)CNF 形式化簡化技術，所以在保持公式可知足性的同時，在多項式時間內去除具備特定冗餘特性的子句。

除了這些獲獎論文外，做爲人工智能領域最火熱的頂級會議之一，IJCAI 歷年論文提交量與接收量都居頂會前幾位，誕生其中的優秀論文還有不少。

所以，超神經從本屆 IJCAI 大會最熱的三個領域（Hot 3）中，分別挑選一至兩篇精選論文，進行簡單的介紹，從而窺斑見豹，一睹 IJCAI 的全貌。

最熱領域之 Hot 1：機器學習

機器學習精選論文 1

摘要：開放式視頻問答任務（Video Question Answering），是根據給定的問題，從參考的視頻內容中自動生成文本的答案。

目前，現有的方法常採用多模態循環編解碼器網絡，但它缺少長期的依賴關係建模，導致沒法有效地應用於長視頻問答中。

爲了解決這個問題，做者提出了一種快速分層卷積自注意編解碼器網絡（HCSA)。使用具備分層卷積的自注意編碼器，有效地對長視頻內容進行建模。

HCSA 創建了視頻序列的層次化結構，並從視頻上下文中捕獲具備問題感知能力的長期依賴關係。此外，還設計了一種多尺度注意力解碼器，該解碼器融合了多層表示來生成答案，避免了頂層編碼層的信息缺失。

試驗結果代表，該方法在多個數據集上表現良好。

機器學習精選論文 2

摘要：機器學習的應用每每受到有效標記數據數量的限制，而半監督學習能夠有效解決這個問題。

本文提出一種簡單有效的半監督學習算法——插值一致性訓練（Interpolation Consistency Training，ICT）。

ICT 使未標記點的插值預測與這些點的插值預測保持一致。在分類問題中，ICT 將決策邊界移動到數據分佈的低密度區域。它幾乎不使用額外的計算，也不須要訓練生成模型，即便沒有普遍的超參數調優，它在 CIFAR-10 和 SVHN 基準數據集上應用於標準的神經網絡體系結構時，達到了最早進的性能。

最熱領域之 Hot 2：計算機視覺

計算機視覺精選論文 1

摘要：來自多個尺度的特徵能夠極大地幫助語義邊緣檢測任務，然而，廣泛的語義邊緣檢測方法應用固定權重融合策略，其中具備不一樣語義的圖像被迫共享相同的權重，致使全部圖像和位置的通用融合權重，而無論它們的不一樣語義或局部上下文。

這項工做提出了一種新穎的動態特徵融合策略，自適應地爲不一樣的輸入圖像和位置分配不一樣的融合權重。經過建議的權重學習器來實現的，以針對特定輸入以特徵地圖的每一個位置的多級特徵推斷出適當的融合權重。

以這種方式，能夠更好地考慮由特徵圖和輸入圖像的不一樣位置作出的貢獻的異質性，從而有助於產生更準確和更清晰的邊緣預測。

計算機視覺精選論文 2

摘要：單目深度估計是場景理解的一項重要任務。複雜場景中物體和物體的底層結構對於精確恢復且視覺效果好的深度地圖相當重要。全局結構反映場景佈局，局部結構反映形狀細節。近年來發展起來的基於 CNN 的深度估計方法顯著提升了深度估計的性能。然而，其中不多考慮複雜場景中的多尺度結構。

本文提出了一種利用多尺度結構進行深度精確預測的結構感知剩餘金字塔網絡（SARPN），還提出了一種殘差金字塔解碼器 (RPD)，它在上層表示全局場景結構來表示佈局，在下層表示局部結構來表示形狀細節；在每一層，提出預測殘差映射的殘差細化模塊 (RRM)，以逐步在上層預測的粗糙結構上添加更精細的結構；爲了充分利用多尺度圖像的特徵，提出了一種自適應密集特徵融合 (ADFF) 模塊，該模塊自適應融合各尺度的有效特徵，用於對各尺度結構進行推理。在 NYU-Depth v2 數據集上的實驗結果代表，本文提出的方法在定性和定量評估方面都達到了最早進的性能，精度達到 0.749，召回率達到 0.554 ，F1 分數達到 0.630。

最熱領域之 Hot 3：天然語言處理（NLP）

NLP 精選論文 1

摘要：遞歸神經網絡（RNNs）被普遍應用於天然語言處理（NLP）領域，包括文本分類、問答和機器翻譯等方面。一般狀況下 RNNs 只能從頭至尾審閱，處理長文本能力較差。而文本分類任務中，長文檔中的大量單詞是不相關的，能夠被跳過。針對這種狀況，本文做者提出加強型 LSTM：Leap-LSTM。

Leap-LSTM 能夠在閱讀文本時動態地在單詞之間進行跳轉。在每一個步驟中 Leap-LSTM 使用幾個特徵編碼器從前面的文本、後面的文本和當前的單詞中提取信息，而後決定是否跳過當前的單詞。在 AGNews、DBPedia、Yelp F. Yelp P. 和 Yahoo 共五個基準數據集上，Leap-LSTM 的預測效果均高於標準 LSTM ，而且 Leap-LSTM 具備更高的讀取速度。