頂會贊助計劃 | 兩位利物浦大學研究員眼中的 IJCAI 2019

大家好，我就是倪蘋，社區昵稱是MLer-1，畢業于紐約大學計算機科學專業，我目前正在利物浦大學從事機器學習算法相關的研究和開發工作，研究領域包括 NLP，CV和分布式計算。

之前一直在關注領域內的各大頂會，后來通過 AI 科技評論的公眾號發現了AI 研習社（ai.yanxishe.com），分享、交流的圈子又擴大了數倍。再此感謝研習社提供的交流平臺和贊助機會，能在AI研習社的贊助下參加今年在澳門召開的IJCAI 2019大會，這次行程收獲滿滿，不僅拓展了領域內的研究視野，同時也與產業與學術界有了更多的連結。歡迎大家掃碼關注我的社區主頁——

  年度盛會

本次大會的內容及活動非常豐富，其中包括：Workshop，Tutorials，MainConference，Competitions, Demos等部分，只要你想認真學習或交流，每天基本上的行程都可以非常的滿。以我在11-13號的行程來看，每天從早到晚密集的Workshop遍布全場，各類主題更是包羅萬象，不僅涵蓋了理論人工智能（算法及其它技術上的創新），各行業的應用（教育、金融、食品等其它行業）及跨領域交叉創新方面（環境科學、醫學、社會學等跨領域學科）的主題，還包括了AI道德倫理，AI和聯合國可持續發展等對人類社會如何在“人工智能后時代”長遠發展的相關議題。

無論是在Workshop的選題還是Main Conference的分會場設置，總體來看，IJCAI作為人工智能領域首屈一指的年度盛會，已經超越了傳統技術性層面的探究，在對如何促進整個人類社會文明的進步有著周全的考慮。這也是IJCAI作為整個人工智能行業旗艦會議，有別于其它更細領域的國際會議的地方。

在不離開探究最為前沿的人工智能學術本質的同時，兼顧產業轉化和與外部世界的聯系和融合，盡可能地覆蓋更多相關領域，對整體社區的良性發展提供了足夠的內外部條件支持。因此，這也是大會可以持續成功舉辦28屆，并逐年吸引超過更多人次參與的原因所在。

  Workshop

在本次大會的Workshop部分，不同議題的日程安排較為密集，很多時間如果需要在感興趣的研究雨露均沾的顧及到，必須隨時做好串場的準備。正如我在參會速遞中發出的內容，本次會議我更多重點關注在各類機器學習相關算法及資源方面的進展，同時兼顧部分CV和NLP領域的最新嘗試。

其中印象較為深刻的研究包括：Vijay等人發表的Vehicle Semantic Understanding forAutomated Driving in Multiple Lane Urban Roads using Deep Vision-based Features，他們利用一種新的語義分割框架來獲取車輛時間信息，并用利用這些初步的感知信息，使用基于規則的系統對相鄰車輛進行語義理解，并獲得了優于基線算法的結果。以及Boley等人在Big Social Media Data Management andAnalysis (BSMDMA)上展示了一個基礎的張量是如何通過對張量的slice進行預計算而得到的，并對圖的各種重要度量進行統一處理。由此引出計算度量的快速方法，如對給定節點的平均訪問次數，以及對單個節點的各種中心性和中間性度量，無論是對于一般的網絡，還是在需要避免節點子集的情況下。由此可以解決快速響應網絡中主要瓶頸的查詢問題。

除此之外，在NLP領域，Natural Language Processing for Social Media（SocialNLP）研討會中關于EmotionX競賽任務也是短短幾天內的關注點之一。其中發布了許多關于各類預訓練模型的情感分析檢測方法，以及克服數據集中類別不平衡、數據集噪聲處理、模型復雜度優化等問題的處理經驗等。例如Yu等人提出了一種基于殘差GRU和文本CNN的情緒檢測器，用于預測語篇中每句話的情緒，具有結構簡單、易于訓練等特性。

Yang等人提出了一種基于可轉移語言模型和動態最大匯聚的語境情感分類器，該分類器可以預測對話中每個話語的情感，并成功解決了EmotionX共享任務中存在的三個固有問題，即獲取虛擬信息、理解非正式文本對話和克服類不平衡問題。而在信息檢索及對話領域，Search-Oriented Conversational AI研討會吸引了學術界和產業界人士的關注。

清華大學的Minlie Huang針對現階段對話系統中存在的三個基本問題：語義、一致性和互動性進行討論，并介紹了最近的一些智能對話系統的研究，例如：一個對話系統如何通過情感檢測和表達、主動提問和句子功能控制來表現出更強的交互性？對話系統如何通過使用常識性知識來理解和生成語言，從而實現更智能的行為？而來自Google的Xiaoxue Zan則重點介紹與構建此類大規模虛擬助手相關的一些挑戰和實際考慮因素，以及Google通過新發布的Schema-guided Dialogue數據集以及解決相關領域問題的一些工作報告。這些都對正在研究或是從事NLP、信息檢索等相關領域人員擁有較大幫助。

同樣地，在13號主會中關于CV領域的研究部分，Piao等人在DeepLight-field-driven Saliency Detection from a Single View中首次將顯著性檢測問題轉化為兩個子問題：單視點光場合成問題和光場驅動顯著性檢測問題。并提出一個高質量的光場合成網絡，以產生可靠的四維光場信息。在此基礎上，提出了一種基于光場驅動的顯著性檢測網絡，并在顯著性檢測的最大光場數據集中實驗了多個各種具有挑戰性的場景，得到了理想的結果。Mao等人在Resolution-invariant PersonRe-Identification中通過端對端CNN學習聯合訓練前景聚焦超分辨率（FFSR）模塊，和利用分辨率不變特征提取器（RIFE）來學習對分辨率方差具有魯棒性的人物表示，在CAVIAR和MLR-CUHK03上獲得了36.4％和73.3％的準確度（排名第一），分別超過了超過先前的技術2.9％和2.6％。

  Turtorial

而關于Tutorial部分，臺灣交通大學的Jen-Tzung Chien教授針對Deep Bayesian SequentialLearning進行了詳細的原理介紹及其相關延伸知識點、變種及應用進行了講解。來自北京大學的Juntao Li和Rui Yan博士則對人工智能在文學領域的跨領域應用進行教程演講，針對文本生成和自動編寫進行深入的探討，總結了現有的研究，并概述了相關的技術實現。重點聚焦在創作和藝術寫作的最新進展和趨勢，包括故事，詩歌，對聯的流派等。

由于篇幅有限，本文摘錄部分如上所示，更多精彩請移步社區閱讀完整版。

https://ai.yanxishe.com/page/blogDetail/14371?from=leiphone

大家好，我是李雨茗，跟倪蘋是同事，現在也在利物浦大學擔任研究員， KFC是我的社區昵稱因為愛吃 KFC 就直接起了這個名字。

感謝 AI研習社給我們提供了一個交流和分享的平臺，可以讓我們通過發帖和泡泡等形式相互交流，共同進步。當然最感謝AI研習社的頂會贊助計劃，進入研習社以來我通過分享學習筆記，搬運最新研究進展，發泡泡，邀請好友加入等形式獲得了七百多研值，讓我得以有機會接觸學界大佬，跟進最新的學術動態，并為接下來的發展定下方向和目標，刷研值的過程不僅是為了發表，還是對知識的回顧整理和重新加工，是一個和有共同愛好和共同目標的人們接觸和交流的機會，十分有意義。希望越來越多的人可以加入研習社，一起探討共同向前。

歡迎大家掃碼關注我的社區主頁：

上周，我有幸參加了由 AI 研習社贊助出行的第 28 屆國際人工智能組織聯合會議 IJCAI 2019（International Joint Conference class="" _src="https://notecdn.yiban.io/cloud_res_dev/79539/imgs/19-8-23_06:32:40.103_58311.jpeg" style="max-width: 100%; border-style: solid; border-width: 0px; box-shadow: none; visibility: visible !important;">

此次大會邀請了許多業內大佬進行演講，包括周志華，Kiroaki Kitano 等人。

Workshop 在同一時間段會展開多個主題場次，我根據提前給出的 workshop 流程單，按照自己感興趣的 present 主題在多個會場之間來回穿梭。具體的文章領悟，心得體會如下文所述：

在 12 日的 Scaling-Up Reinforcement Learning (SURL) Workshop 中，來自奧地利 Know-Center – Graz 的 Adrian Remonda 等人的文章「Formula RL: Deep Reinforcement Learning for Autonomous Racing usingTelemetry Data」令我印象深刻，該文章探討了強化學習 (RL) 模型在自動賽車競賽中的應用。與日常情況不同的是，本文環境下賽車的目標是把停車時間降到最低。作者將問題框定為一個具有多維輸入的強化學習任務，包括車輛遙測和一個連續的動作空間。找出哪些 RL 方法更好的解決這個問題, 是否獲得模型推廣到行駛在未知的追蹤, 實驗部分把深層決定性策略梯度 (DDPG) 比賽在「研究 RL 方法學會駕駛賽車」，「學習如何學習場景模型泛化能力的影響」兩個實驗中進行驗證，學習如何學習場景模型泛化能力的影響。該研究表明，使用 RL 訓練的模型不僅能夠比基準的開源手工機器人駕駛得更快，而且還可以推廣到未知的領域。另外感興趣的點在于該文章提出了一個全面的研究，將 RL 方法應用于自動駕駛汽車并僅依賴于汽車遙測數據。其通過實驗證明了獲得的模型優于目前最先進的手工模型。結果還表明，PER1M(優先重放體驗，重放緩沖區大小為 1M) 是復雜軌跡中性能最好的算法。最重要的是，結果證明了作者提出的超前曲線方法 (LAC) 提高了模型在自動賽車場景中的性能。作者的成果對使用強化學習的線路優化問題做出了貢獻。在結尾處，作者對其團隊的 future work 給出以下方向，首先進一步研究如何生成這樣一個通用的模型，在不可見的軌道上取得相對較高的性能，并看看針對特定軌道進行進一步的訓練將如何影響性能和縮短訓練時間。使這些通用模型健壯并更快地學習的一種方法是使用預定義的操作來訓練模型。其次計劃研究在培訓過程中，研究是否可以在不使用任何參考線的情況下培訓模型。在這項工作中，期望利用 TORCS 作為一個模擬環境，這足以評估先前提出的假設，并證明新方法的能力。該 futurework 可供感興趣的同學后續深入研究。

還有一個值得推薦的是在「Natural Language Processing for Social Media」Workshop 上來自 Purdue University 的博士生 Tunazzina Islam 帶來的「Ex-Twit: ExplainableTwitter Mining>

結合主題建模和局部可解釋模型無關解釋 (LIME) 來預測主題和解釋模型預測，并在 Twitter 健康相關數據上證明了 Ex-Twit 的有效性。眾所周知，Twitter 作為國際知名的社交網絡，人們每天都用它來表達對不同話題的看法，比如產品、電影、健康、音樂、政治人物、事件等等。Twitter 數據構成了一個豐富的源，可以用于捕獲任何可以想象到的主題的信息。這些數據可以在不同的用例中使用，例如查找與特定關鍵字相關的趨勢、度量品牌人氣以及收集關于新產品和服務的反饋。同時，大多數機器學習算法的問題在于，它們被設計成通過訓練實例進行訓練，而它們的預測對人類來說是模糊的（即黑盒效應）。信任是一個至關重要的問題。可解釋 AI (Explainable AI, XAI) 在一定程度上提供了決策的詳細解釋，這些解釋對于保證機器學習算法的公平性和識別訓練數據中的潛在偏差具有重要意義。作者將以上兩個問題結合在一起，從日常角度出發，提出了一種結合 LDA 和 LIME 的可解釋 Twitter 挖掘方法，并成功地證明了 Ex-Twit 在 Twitter 健康相關數據上解釋模型預測的有效性。作者在最后提出，在未來希望添加更多的 tweet 來進一步驗證該的方法并觀察可伸縮性。

由于篇幅有限，本文摘錄部分如上所示，更多精彩請移步社區閱讀完整版。

https://ai.yanxishe.com/page/blogDetail/14370?from=leiphoneli

雷鋒網雷鋒網雷鋒網

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。