阿里11篇论文入选IJCAI2017 人工智能领域捷报频传

  • 时间:
  • 浏览:1
  • 来源:5分11选5-5分11选5平台_5分11选5网投平台

在今年的国际人工智能联合会议(IJCAI)上,阿里巴巴有 11 篇论文入选,这是继今年的CVPR会议入选 4 篇、KDD会议入选 5 篇后,阿里巴巴在人工智能顶级会议上斩获的最新成果。

IJCAI被认为是人工智能领域最顶级的学术会议之一,含高机器学习、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。今年IJCAI共收到 2540 篇论文投稿,再创历史新高,最终录用 680 篇,录用率26%。

阿里巴巴入选的 11 篇论文中,有 6 篇来自阿里巴巴-浙大前沿技术联合研究中心, 3 篇来自蚂蚁金服,均被主会收录。另外 2 篇来自天猫和菜鸟物流,被主题为“AI Applications in E-Commerce”的Workshop收录。“阿里巴巴-浙江大学前沿技术联合研究中心”,旨在携手攻克面向未来 20 年的核心科技,在人工智能、泛在信息安全、无障碍感知互联等前沿技术领域开展研究公司公司合作 。

今年 3 月,阿里巴巴推出NASA计划,面向未来 20 年组建强大的独立研发机构,为服务近 20 亿人的新经济体储备核心科技。为实现该目标,一方面由金榕、华先胜、任小枫等技术领军人物,组建iDST、AI Labs等研究机构;被委托人面发布首个全球性科研项目“AIR”计划,推进计算机科学领域基础性、前瞻性、突破性的研究,构建技术生态。

当前的阿里巴巴正从“互联网+模式”的商业模式创新引领者,变成科技创新的引领者。

以下为IJCAI2017 阿里巴巴入选论文(前 6 篇来自阿里-浙大前沿技术联合研究中心,中间 3 篇来自蚂蚁金服,最后 2 篇来自天猫和菜鸟物流)

Image Gradient-based Joint Direct Visual Odometry for Stereo Camera

五种基于图像梯度联合优化的双目视觉里程计算法

作者:朱建科

本文中提出了另一两个 全新的一点 能没了改进收敛获得更精确姿态的双目里程计法律法子。让让我们 算法的关键要素是另一两个 基于多尺度金字塔构架的双雅克比优化法律法子,并介绍了另一两个 基于梯度特性的图像表示法律法子。这使得让让我们 的算法对光线变化很鲁棒。创新地提出的联合优化的双目视觉里程计算法将结合最新帧和但是关键帧的信息。

地址:https://www.ijcai.org/proceedings/2017/0636.pdf

DeepFacade: A Deep Learning Approach to Facade Parsing

层厚棘层:五种基于层厚学习的建筑棘层解析法律法子

作者:刘汉唐,张加良,朱建科,许主洪

让让我们 提出五种基于层厚学习的解析建筑物棘层的法律法子。人工制造的建筑规则通常具有很高的对称性。基于你五种观察,让让我们 为神经网络提出了另一两个 对称的约束项。让让我们 的法律法子能没了同時 采用层厚学习和人工先验信息的优点。让让我们 通过给FCN-8s增加对称损失函数来检测让让我们 法律法子的效果。实验结果显示让让我们 的法律法子在ECP和eTREIMS数据集上打败了但是领域内最先进的法律法子,是第另一两个 在全图尺度上使用层厚神经网络的法律法子。

地址:https://www.ijcai.org/proceedings/2017/0320.pdf

CFNN: Correlation Filter Neural Network for Visual Object Tracking

CFNN:五种协相关滤波神经网络的可视物体跟踪算法

作者:李洋,徐展 ,朱建科

让让我们 提出了另一两个 新颖的协相关滤波神经网络特性以及一整套跟踪算法,是传统卷积神经网络的另一两个 特例。它的网络初始化不没了在任何额外数据集上进行任何的提前训练。得益于循环采样技术,让让我们 提出的法律法子在网络初始化时便能没了得到有效的判别能力一点 在网络更新时兼具向后传播算法的优势从而习得新样本的外观变化。整个跟踪过程同時 继承了卷机网络以及协相关滤波算法的互补优势。

地址:https://www.ijcai.org/proceedings/2017/0809.pdf

Deep Optical Flow Estimation Via Multi-Scale Correspondence Structure Learning

基于多尺度对应特性化学习的层厚光流估计

作者:赵杉杉,李玺,奥马

让让我们 提出的MSCSL学习框架利用层厚学习得到多尺度特性空间,进而在该层厚特性空间中学习多尺度图像之间的对应特性。MSCSL通过建立另一两个 空间卷积GRU(Spatial Conv-GRU)神经网络模型去自适应地建模不同尺度对应特性之间的内在依赖关系。最后,在端到端层厚学习框架中实现中间另一两个 过程。

地址:https://www.ijcai.org/proceedings/2017/0488.pdf

Group-wise Deep Co-saliency Detection

基于端到端全卷积神经网络的组协同显著性检测

作者:魏李娜,赵杉杉,奥马,李玺,吴飞

让让我们 设计了另一两个 统一的端到端层厚学习框架对组内共享特性和单张图像特性的互动及关联关系进行联合学习,从而使模型更具准确性和鲁棒性。

地址:https://www.ijcai.org/proceedings/2017/0424.pdf

Boosted Zero-Shot Learning with Semantic Correlation Regularization

基于语义相关性约束的提升零样本分学是习

作者:皮特,李玺,张仲非

让让我们 设计了另一两个 语义相关性正则化(SCR)法律法子,以约束提升分类模型使之与类别间的语义相关性特性相一致。随着将SCR正则化嵌入提升分类,以及嵌入针对鲁棒学习的自控制样本选用过程,让让我们 提出了另一两个 统一的框架,基于语义相关性约束的提升零样本分类模型(BZ-SCR)。通过平衡受SCR正则化的提升模型选用过程和自控制的样本选用过程,BZ-SCR并能捕捉从特性到类别语义的有判别性的、可适应的校准,同時 保证被学习样本的可靠性和对目标类别的适应性。

地址:https://www.ijcai.org/proceedings/2017/0362.pdf

Local Linear Factorization Machines

局部线性因子分解机

作者:刘成昊, 张腾, 赵沛霖, 周俊, 孙建伶

因子分解机(FM)是五种被广泛应用的法律法子,因其在分类和回归任务中能没了高效利用高阶特性交互。不幸地,尽管对因子分解机有不断增长的兴趣,现存工作仅仅考虑了输入特性的二阶信息。这限制了它在非线性现象报告 上的能力且没了捕捉更僵化 数据的潜在特性。在你五种工作中,让让我们 提出了五种新的局部线性因子分解机(LLFM)。它利用局部编码技术克服了上述FM的缺陷。现存局部编码分类器的学习法律法子含高了另一两个 无监督锚点学习阶段和另一两个 预定义的局部编码方案。可能编码方案中没了 利用数据的类别信息,你五种法律法子会原应用于预测的编码是次优的。不同于已有法律法子,让让我们 在锚点、局部编码坐标、和FM参数上规划出另一两个 联合优化方案,来最小化分类或回归风险。最后,让让我们 通过实验证明了,让让我们 的法律法子取得了比一点已有FM方案、以及利用无监督锚点学习和预定义编码的LLFM明显更好的预测精度。

地址:https://www.ijcai.org/proceedings/2017/0319.pdf

Learning User Dependencies for Recommendation

为推荐学习用户相关性

作者:刘勇, 赵沛霖, 刘星, 吴敏, 段立新, 李晓黎

社交推荐系统利用用户的社交关系来提高推荐精度。直觉上来讲,另一两个 用户对于不同的场景倾向于信任不同的用户。一点 ,社交推荐的另一两个 主要挑战是对于另一两个 给定的推荐任务怎样才能利用用户间的最合适的相关性。但是的社交推荐法律法子通常是基于预定义的用户相关性而开发的。一点 ,对于另一两个 具体的推荐任务,它们可能有的是最优的。在这篇文章里,让让我们 提出了另一两个 名为概率关系矩阵分解(PRMF)的推荐法律法子,它能没了自动学习用户相关性来提高推荐精度。在PRMF里,让让我们 假设用户的潜在特性是服从矩阵变量正态(MVN)分布。此外,用户的正负相关性都能没了用MVN分布的行精度矩阵来模拟。为了求解PRMF里的优化现象报告 ,让让我们 提出了另一两个 交替优化算法。最后,在一两个真实数据上的极少量实验证明了所提PRMF算法的效力。

地址:http://static.ijcai.org/proceedings-2017/0331.pdf

Online Multitask Relative Similarity Learning

在线多任务相对类事度学习

作者:郝书吉, 赵沛霖, 刘勇, 许主洪, 苗春燕

相对类事度学习(RSL)旨在通过由相对约束组成的数据来学习类事度函数。但是的大要素为RSL设计的算法是离线学习算法,好多好多 在补救现实世界中的流式数据有的是遭受极差的可扩展性。此外,你五种现存算法经常被设计来为另一两个 具体的任务学习另一两个 单独的类事度函数。一点 ,它们在补救多任务学习现象报告 时是次优的。为了克服你五种缺陷,让让我们 提出了另一两个 可扩展的RSL框架,并命名为在线多任务相对类事度学习(OMTRSL)。具体来说,让让我们 首先针对多任务相对类事度学习开发了另一两个 简单有效的在线学习算法。一点 ,让让我们 又提出另一两个 主动学习算法来节省打标的成本。所提出的算法不仅享有极好的理论保证,也在现实数据集的实验上展现了其高效能和层厚。

地址:https://www.ijcai.org/proceedings/2017/0253.pdf

以下两篇被主题为“AI Applications in E-Commerce”的Workshop收录

Solving a New 3D Bin Packing Problem with Deep Reinforcement Learning Method

利用层厚强化学习补救新型三维装箱现象报告

作者:胡浩源张晓东 王龙飞 徐盈辉

本文通过近些年被成功应用于组合优化现象报告 的层厚学习技术--Pointer Network来对物品的塞进顺序进行学习和优化。基于极少量实际数据构建和训练了层厚强化学习网络,并对此网络的效果进行了检验,结果表明相对于已有的启发式法律法子,使用本文提出的层厚强化学习法律法子能没了获得合适5%的效果提升。

Life-stage inference in E-commerce: a dynamic merging based approach

电子商务中的生命阶段推断:五种动态融合法律法子

作者:周中晟,张祎东,舒智超,邓玉明,王晓晴

为了提升用户购物体验,宽裕用户资料并探索用户的潜在兴趣是有价值的。类事,让让我们 应该对初生婴儿的妈妈展示尿布,对 1 到 2 岁宝宝的妈妈展示儿童服装,可能妈妈们会在特定阶段对购买你五种商品感兴趣。让让我们 设计了五种基于动态融合法律法子的生命阶段推断,可用于预测用户年龄并在电商推荐系统中使用。动态融合的关键是维护具有不同分类结论的多个概率分布,并在合适的但是对其进行更新。长期来看,没了有限个概率分布会被保留下来,让让我们 能没了根据你五种分布对生命阶段进行推断。但是做的优点是无论对另一两个 或是多个用户都能使用统一的生命阶段预测特性,一点 能没了识别消费者的短期偏好。

本文由站长之家用户投稿,未经站长之家同意,严禁转载。如广大用户让让我们 ,发现稿件居于不实报道,欢迎读者反馈、纠正、举报现象报告 (反馈入口)。

免责声明:本文为用户投稿的文章,站长之家发布此文仅为传递信息,不代表站长之家赞同其观点,不对对内容真实性负责,仅供用户参考之用,不构成任何投资、使用建议。请读者自行核实真实性,以及可能居于的风险,任何后果均由读者自行承担。