【IJCAI 2017】最佳学生论文属华人，领域主席欧美中三分天下

1新智元报道  

编辑：闻菲，张易

【新智元导读】8月19日到25日，AI领域的又一不容忽视的顶会 IJCAI 2017 在澳大利亚墨尔本召开。虽然最佳论文尚未公布，但 finalist 已出！从名单看，最佳学生论文作者基本都是华人。本文将为你介绍本届 IJCAI 的看点和亮点，包括主席团队、杰出研究人员以及其他论文奖项。

2017 年的 8 月，AI 似乎与澳大利亚结缘。在悉尼的 ICML 结束后不久，8 月 19 日到 25 日，IJCAI 在墨尔本召开。IJCAI 是 AI 领域最受关注的会议之一，也是目前连续举办最长时间的覆盖 AI 全领域的会议。除了技术论文报告，在为期一周的时间里，IJCAI 将献上 15 场演讲、39 场研讨会和 22 场研习会，一整天的企业展示（Industry Day），专为博士生与资深研究人员交流而举办的论坛和多项竞赛，包括视频竞赛、游戏 AI 竞赛（玩愤怒的小鸟），以及数据挖掘竞赛等等各种活动。

2017 年 IJCAI 的主题是“自治与人工智能”（Autonomy and AI），鼓励研究者和技术人员讨论和分析在赋予 AI 更多自主权时所需考虑的安全和规范等问题。这一主题也将是一些受邀演讲、论坛和讨论环节的主旨。

IJCAI 2017 的 Regular Track 将展示从 2540 篇论文中接收的 660 篇论文（录取率约 26%）——所有论文都有海报展示和口头汇报。还有 3 场专门针对 AI 自主权的 session，将展示 12 篇论文，后面有辩论环节。此外，IJCAI 还特设了姐妹会议最佳论文 Best Paper Track，展示 2016 年的 AAMAS, IJCAR, CHI, NIPS, SAT, ICCBR, UAI, ICLP, CogSci, ICAPS, ICML 等会议的 28 篇最佳论文。

大会主席团队：领域主席多华人，包括周志华、朱军、林方真

在 Program Committee 中，有一位程序主席（program chair），他是来自 IIIA-CSIC, Spain 的 Carles Sierra。

Carles Sierra

在领域主席中，中国学者7位，占比 16%，和美国不相上下

大会共有 44 位领域主席（Area Chairs），其中有 7 位来自中国，他们是：

林方真，香港科技大学

朱军，清华大学智能技术与系统国家重点实验室

周志华，南京大学

Nevin L Zhang，香港科技大学

张利军，南京大学

郭天佑，香港大学

宗成庆，中科院

在领域主席中，中国学者7位，占比 16%；美国学者8位，占比 18%；来自欧洲的学者共19位，占比 43%；另外较多的是来自澳大利亚的学者 4 位，占比 9%。

可以看到，如果将这一领域的欧洲学者看为一个群体，占比接近一半。而美国和中国在领域主席中的学者数量和占比非常接近。亚洲范围内，除中国以外，只有卡塔尔和以色列各有一位学者入选领域主席。

44 位领域主席

另外，在超过300名成员的 Senior Program Committee 和超过 1000 名成员的 Program Committee Members 里，也不乏中国学者的身影。

值得一提的是，南京大学的俞扬博士同时担任了本次大会的 Publicity Chair。

另外，阿里巴巴 iDST 负责人金榕教授将作为讲者在本次大会登台，其演讲主题是“阿里巴巴的深度学习”。

赞助商：铂金赞助几乎全是中国公司，ABTJ 全有出场

今年的 IJCAI 赞助商很有意思，新智元特意将这一环节提前报道。

此次大会的赞助商中，不乏中国企业的身影。

阿里巴巴、小 i 机器人、腾讯、京东、美图、滴滴、百度、蚂蚁金服、南方科技大学等 9 家来自中国的企业或机构都赞助了本次会议。在全部 42 家赞助商中占比五分之 一，势头强劲。

而更能体现中国企业实力的是，上述 9 家中，前 8 位全部都是铂金赞助商，在全部 11 家铂金赞助商中占比 82 %。

本次大会上，也设立了企业或学术机构的展示环节。Exhibitor 们可以展示“自己在领域中扮演的角色，给参会者展出应用案例”。上述来自中国的企业和机构都将做出展示。

在本次大会的“产业日”（Industry Day）上，企业家和科学家们将探讨 AI 的未来及其对产业和社会的影响。

Industry Day 的日程如下：

可以看到，产业日的讲者共有 12 位，其中一半都来自中国企业。滴滴研究院副院长叶杰平、京东集团副总裁颜伟鹏、小 i 机器人创始人朱频频、美图的 Amin Zheng、百度的 Dou Shen 和腾讯 AI Lab 副主任俞栋都将做出演讲。阿里巴巴的 Hongxia Yang 将参与下午的 Panel。

IJCAI 2017 最佳论文：华人拿下最佳学生论文

IJCAI 2017 的最佳论文（Distinguished Papers）将在当地时间 23 号公布，但 finalist 已出！

下面，我们简单介绍一下每篇论文。

最佳论文 finalists：

【摘要】受到说明性数据分析中应用的激励，我们对 DatalogZ 进行了研究。DatalogZ 是带有 arithmetic functions over integers 的 positive Datalog 的拓展。这种语言被认为是不可判定的，所以我们提出了两个片段。 在 limit DatalogZ 中，predicates  被公认为保持最小/最大数值，这使我们能够表明这一事实：CONEXPTIME-complete in combined，CONP-complete in data complexity。此外，额外的稳定性要求导致复杂性分别降至 EXPTIME 和 PTIME。最后，我们展示了，稳定的DatalogZ 能够表达许多有用的数据分析任务，所以我们的结果为先进信息系统的下一步研究提供了坚实的基础。

【摘要】在本文中，我们提出了一个原则性的 Tag Disadangling Generative Adversarial Networks（TDGAN），通过指定多个场景属性（如视点，照明，表达式等）从单个图像重新渲染感兴趣对象的新图像。整个框架由一个解析网络（disentangling network），一个生成网络，一个标签映射网络和一个判别网络组成，它们是基于完全/部分标记的给定图像集（即监督/半监督设置）联合训练的。给出输入图像，解析网络提取解析过的、可解释的表示，然后生成网络会使用这个表示生成图像。为了提高解析表示的质量，我们整合了集成标签映射网络，探索图像与其标签之间的一致性。此外，我们引入了判别网络，以实现用于生成更逼真图像的对抗训练策略。在两个具有挑战性的数据集上的实验，证明了我们所提出的框架在相关问题上实现了 state-of-the-art 表现。

【摘要】对称检测是减少游戏搜索树的一项有希望的方法。在一般游戏玩法（GGP）中，任何游戏由游戏描述语言（GDL）中的一组规则紧凑地表示，用于对称检测的最先进的方法依赖于与 GDL 描述相关联的规则图的游戏。虽然这种基于规则的对称检测方法可以应用于各种树搜索算法，但它们仅涵盖在 GDL 描述中显而易见的有限数量的对称性。在本文中，我们开发了利用约束编程技术的随机游戏中的对称检测的替代方法。GDL 游戏中的极小值优化问题被当做随机约束满足问题（SCSP），可以将其视为一级 SCSP 序列。Minimax 对称性根据这些一阶约束网络的微结构补充推断。基于这种方法的理论分析，我们实验性地展示了随机约束求解器 MAC-UCB 结合基于约束的对称性检测，要显著优于标准的蒙特卡洛树搜索算法与基于规则的对称检测的结合。这种约束驱动的方法也通过我们的 AI 在最后一次 GGP 比赛中获得的出色成绩得到了验证。

最佳学生论文 finalists：

【摘要】迁移学习旨在通过利用其他相关任务的信息（或迁移知识）来提高目标学习任务的表现。最近，迁移距离度量学习（TDML）吸引了很多兴趣，但是大多数这些方法假设源和目标学习任务的特征表示是一样的。因此，它们不适用于数据来自异构域（特征空间，模态甚至语义）的应用程序。虽然一些现有的异构传输学习（HTL）方法能够处理这样的问题，但它们在实际应用中缺乏灵活性，而学习的转换通常被限制为线性的。因此，我们开发了基于知识片段的通用和灵活的异构 TDML（HTDML）框架迁移策略。在我们提出的 HTDML 中，可以使用任何（线性或非线性）距离度量学习算法来预先学习源度量。然后，从预先学习的源度量中提取一组知识片段，帮助目标度量学习。此外，可以为目标域学习线性或非线性距离度量。对场景分类和对象识别的广泛实验证明了我们所提出的方法的优越性。

【摘要】大规模内核逼近（Large-scale kernel approximation）是机器学习研究中的一个重要问题。使用随机傅里叶特征的方法变得越来越流行，其中核逼近被视为通过蒙特卡罗（MC）或准蒙特卡罗（QMC）积分的经验平均值估计。目前方法的局限性在于，所有的特征都获得相等的权重总合（加起来为 1）。在本文中，我们提出了一种“斯坦因效应”（Stein effect）的新型收缩估计器（shrinkage estimator），为随机特征提供了数据驱动的加权策略，并有一定理论基础。我们进一步提出了一种高效的随机算法，用于所提出方法的大规模应用。我们对 6 个基准数据集的实证结果证明了这种方法在内核逼近和监督学习任务中，超越了现有的具有代表性的基准。

【摘要】显著性检测（Saliency detection）是计算机视觉中长期存在的问题。研究人员花费了巨大的努力去探索不同性别，种族，年龄等用户间普遍存在的显著性模型。然而最近的心理学研究表明，显著性非常具体（highly specific）：个体在观看包含多个显著物体（salient objects）的时候展现出了不同的凝视模式（heterogeneous gaze patterns）。在本文中，我们首先表明，这种异质性（heterogeneity）对于可靠的显著预测是常见和关键的。我们的研究还生成了第一个个性化显著图（PSM）数据库。我们基于不同参与者共享的通用显著图（USM）来模拟 PSM，并采用多任务 CNN 框架来估计 PSM 和 USM 之间的差异。深入实验表明，我们的新型 PSM 模型和预测方案是有效可靠的。

其他奖项：多模态语义分布获得 IJCAI-JAIR 最佳论文奖

1. 老中青三代研究人员和最佳服务奖

照例，每年的 IJCAI 都会评出四个颁发给人的奖项，分别是奖励领域内老中青三代优秀研究人员的“杰出研究奖”（Research Excellence award）、“约翰·麦卡锡奖”（John McCarthy Award）和“计算机思想奖”（Computers and Thought Award），还有为领域做出重大贡献和服务的“杰出服务奖”（Distinguished Service Award）。

尤其是杰出研究奖，是授予那些在整个研究生涯持续做出优秀成果的研究人员，过往得奖人包括 John McCarthy (1985), Allen Newell (1989), Marvin Minsky (1991), Herbert Simon (1995), Geoffrey E. Hinton (2005), Michael Jordan (2016)。

今年的 IJCAI 杰出研究奖得主是麻省大学阿姆赫斯特校区信息与计算机科学学院荣誉教授 Andrew Barto。Barto 教授在强化学习的理论和应用方面进行了既有开创性又具影响力的研究。

IJCAI 约翰·麦卡锡奖颁发给处于研究生涯中期（15~25年）的 AI 研究人员，其工作对领域整体研究发展有巨大贡献的同时，在顶级期刊上也有一流的呈现。今年的麦卡锡奖得主是宾夕法尼亚大学的 Dan Roth，因其对自然语言理解、机器学习和推理建模的重大概念和理论进展而获奖。

最后，2017 年 IJCAI 计算机思想奖得主是乔治亚理工大学的助理教授 Devi Parikh，她在从语义图像理解到词汇，图像和常识的交叉，使用视觉属性进行人机协作和视觉抽象学习常识，使人类能够通过自然语言与视觉内容进行交互方面做出了贡献。

值得一提，2016 年 IJCAI 计算机思想奖得主是斯坦福大学计算机系教授 Percy Liang，他也是今年 ICML 最佳论文作者之一。Percy Liang 教授接受新智元的专访。

这些奖项都是 IJCAI 董事会在奖项选择委员会建议下选出，香港大学的杨强教授是今年做评选的 5 位董事会成员之一。

2. 优秀的研究工作

除了关注人，还要看工作本身。今年在 IJCAI 上还有两项论文奖——IJCAI-JAIR 最佳论文奖和 EurAI 最佳论文奖（EurAI Artificial Intelligence Dissertation Award 2016）。前者由 IJCAI 组织授予过去 5 年在 JAIR 发表的一篇优秀论文，后者则是欧洲人工智能协会评选的优秀论文。

获得 2017 年 IJCAI-JAIR 最佳论文奖的是 E. Bruni, N. K. Tran 和 M. Baroni 在 2014 年在 JAIR 发表的《多模态分布语义》（Multimodal Distributional Semantics）。论文提出了使用基于文本和图像的分布式信息来构造词表示的过程，对自然语言、视觉和机器学习领域都有巨大的开创性贡献。在分布式语义模型中引入了多模态视角用于计算词义的表示的思路，富有极大的启发性。这项工作的数据集也得到了广泛的使用。

获得 IJCAI-JAIR 最佳论文提名奖的是 A. J. Coles, A. I. Coles, M. Fox 和 D. Long 在  2012 年发表的《连续线性数值变化规划》（COLIN: Planning with Continuous Linear Numeric Change）。论文结合了经典规划和在连续变化中进行推理的动态模型，提出的方法不仅对研究，在实际应用中（比如能源管理、化学工程和机器人）也有很大影响。论文引入了一个具体的实例化，通过有效地将启发式搜索与诸如线性程序求解器之类的外部数字推理器相结合，成为时间混合规划的主导方法。

EurAI 优秀论文奖授予了“The Best-of-n Problem in Robot Swarms”，作者是 Gabriele Valentini (Arizona State University, USA)。提名是“Probabilistic reasoning and Learning for the Semantic”，作者是 WebRiccardo Zese (University of Ferrara, Italy)。

更多信息，敬请关注新智元 IJCAI 专题后续报道

---