阿里11篇论文入选IJCAI2017 人工智能领域捷报频传

  • 时间:
  • 浏览:0
  • 来源:1.5分彩平台-10分快3投注平台_10分赛车娱乐平台

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,富含机器学习、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 650 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企业媒体合作。

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;个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,里边 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

有一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

本文中提出了一一十个 全新的否则 可不也能改进收敛获得更精确姿态的双目里程计辦法 。让当人们当人们当人们算法的关键要素是一一十个 基于多尺度金字塔构架的双雅克比优化辦法 ,并介绍了一一十个 基于梯度特征的图像表示辦法 。这使得让当人们当人们当人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以前关键帧的信息。

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

DeepFacade: A Deep Learning Approach to Facade Parsing

高度下皮 :有一种基于高度学习的建筑下皮 解析辦法

作者:刘汉唐,张加良,朱建科,许主洪

让当人们当人们当人们提出有一种基于高度学习的解析建筑物下皮 的辦法 。人工制造的建筑规则通常具有很高的对称性。基于你是什么观察,让当人们当人们当人们为神经网络提出了一一十个 对称的约束项。让当人们当人们当人们的辦法 可不也能一块儿采用高度学习和人工先验信息的优点。让当人们当人们当人们通过给FCN-8s增加对称损失函数来检测让当人们当人们当人们辦法 的效果。实验结果显示让当人们当人们当人们的辦法 在ECP和eTREIMS数据集上打败了以前领域内最先进的辦法 ,是第一一十个 在全图尺度上使用高度神经网络的辦法 。

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

CFNN: Correlation Filter Neural Network for Visual Object Tracking

CFNN:有一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

让当人们当人们当人们提出了一一十个 新颖的协相关滤波神经网络特征以及一整套跟踪算法,是传统卷积神经网络的一一十个 特例。它的网络初始化不需用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,让当人们当人们当人们提出的辦法 在网络初始化时便可不也能得到有效的判别能力否则 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。整个跟踪过程一块儿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/2017/0509.pdf

Deep Optical Flow Estimation Via Multi-Scale Correspondence Structure Learning

基于多尺度对应特征化学习的高度光流估计

作者:赵杉杉,李玺,奥马

让当人们当人们当人们提出的MSCSL学习框架利用高度学习得到多尺度特征空间,进而在该高度特征空间中学习多尺度图像之间的对应特征。MSCSL通过建立一一十个 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征之间的内在依赖关系。最后,在端到端高度学习框架中实现里边一一十个 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

让当人们当人们当人们设计了一一十个 统一的端到端高度学习框架对组内共享特征和单张图像特征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科学学习

作者:皮特,李玺,张仲非

让当人们当人们当人们设计了一一十个 语义相关性正则化(SCR)辦法 ,以约束提升分类模型使之与类别间的语义相关性特征相一致。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,让当人们当人们当人们提出了一一十个 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也能捕捉从特征到类别语义的有判别性的、可适应的校准,一块儿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)是有一种被广泛应用的辦法 ,因其在分类和回归任务中可不也能高效利用高阶特征交互。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征的二阶信息。这限制了它在非线性问題上的能力且只能捕捉更简化数据的潜在特征。在你是什么工作中,让当人们当人们当人们提出了有一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的不足英文。现存局部编码分类器的学习辦法 富含了一一十个 无监督锚点学习阶段和一一十个 预定义的局部编码方案。肯能编码方案中如此 利用数据的类别信息,有有哪些辦法 会意味着用于预测的编码是次优的。不同于已有辦法 ,让当人们当人们当人们在锚点、局部编码坐标、和FM参数上规划出一一十个 联合优化方案,来最小化分类或回归风险。最后,让当人们当人们当人们通过实验证明了,让当人们当人们当人们的辦法 取得了比其他已有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,一一十个 用户对于不同的场景倾向于信任不同的用户。否则 ,社交推荐的一一十个 主要挑战是对于一一十个 给定的推荐任务何如利用用户间的最要花费的相关性。以前的社交推荐辦法 通常是基于预定义的用户相关性而开发的。否则 ,对于一一十个 具体的推荐任务,它们肯能都在最优的。在这篇文章里,让当人们当人们当人们提出了一一十个 名为概率关系矩阵分解(PRMF)的推荐辦法 ,它可不也能自动学习用户相关性来提高推荐精度。在PRMF里,让当人们当人们当人们假设用户的潜在特征是服从矩阵变量正态(MVN)分布。此外,用户的正负相关性都可不也能用MVN分布的行精度矩阵来模拟。为了求解PRMF里的优化问題,让当人们当人们当人们提出了一一十个 交替优化算法。最后,在十个 真实数据上的几滴 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

在线多任务相对这类于度学习

作者:郝书吉, 赵沛霖, 刘勇, 许主洪, 苗春燕

相对这类于度学习(RSL)旨在通过由相对约束组成的数据来学习这类于度函数。以前的大要素为RSL设计的算法是离线学习算法,其他其他在处里现实世界中的流式数据都在遭受极差的可扩展性。此外,有有哪些现存算法总是 被设计来为一一十个 具体的任务学习一一十个 单独的这类于度函数。否则 ,它们在处里多任务学习问題时是次优的。为了克服有有哪些不足英文,让当人们当人们当人们提出了一一十个 可扩展的RSL框架,并命名为在线多任务相对这类于度学习(OMTRSL)。具体来说,让当人们当人们当人们首先针对多任务相对这类于度学习开发了一一十个 简单有效的在线学习算法。否则 ,让当人们当人们当人们又提出一一十个 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效率。

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

利用高度强化学习处里新型三维装箱问題

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问題的高度学习技术--Pointer Network来对物品的放到去 顺序进行学习和优化。基于几滴 实际数据构建和训练了高度强化学习网络,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辦法 ,使用本文提出的高度强化学习辦法 可不也能获得要花费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:有一种动态融合辦法

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,雄厚用户资料并探索用户的潜在兴趣是有价值的。这类于,让当人们当人们当人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,肯能妈妈们会在特定阶段对购买有有哪些商品感兴趣。让当人们当人们当人们设计了有一种基于动态融合辦法 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,并在要花费的以前对其进行更新。长期来看,只能有限个概率分布会被保留下来,让当人们当人们当人们可不也能根据有有哪些分布对生命阶段进行推断。本来做的优点是无论对一一十个 或是多个用户都能使用统一的生命阶段预测特征,否则 可不也能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。如广大用户让当人们当人们当人们,发现稿件处在不实报道,欢迎读者反馈、纠正、举报问題(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,以及肯能处在的风险,任何后果均由读者自行承担。