所有文章 > 正文

第28届国际人工智能顶会IJCAI即将在中国澳门召开,GCT将上线最新人才库IJCAI[2019]

作者: 技术小白

时间: 2019-08-06 16:13

国际人工智能联合会议(International Joint Conference on Artificial Intelligence, 简称为IJCAI)是人工智能领域中最主要的学术会议之一。今年的IJCAI会议将于8月10日在中国澳门举行,会议为期7天,这是继2013年第23届IJCAI会议在北京举办过后,又一次在中国举办。

AAAI、ICML、IJCAI等会议是人工智能、机器学习领域的顶级会议,在AI领域有着很大的影响力。AAAI和ICML会议已于今年上半年成功举办,而第28届IJCAI会议将于2019年8月10至16日在中国澳门举行。

国际人工智能联合会议(International Joint Conference on Artificial Intelligence, 简称为IJCAI)是人工智能领域中最主要的学术会议之一。从1969年的第一届IJCAI会议至今,已经成功举办了27届,会议最初为两年一届,而从2015年开始,改为一年一届。今年的IJCAI会议将于8月10日在中国澳门举行,会议为期7天,这是继2013年第23届IJCAI会议在北京举办之后,又一次在中国召开。

5b9b2b79786da.png

据悉,今年的IJCAI会议共收到论文4752篇,最终收录的论文为851篇,接收率为17.9%。论文提交量和录取量都创历史新高,但录取比率却是近10年最低。今年IJCAI的投稿总数相较于去年增加了约37%(1282篇),而录取数仅比去年多了141篇,因此,录取率降低也就不足为奇。下图为1995年至今各届会议论文提交量、录取量以及录取比例。

微信图片_20190806161259.jpg

微信图片_20190806161321.jpg

会议论文结果公布后,引起了投稿作者和学术界的强烈反应。据说今年由于IJCAI论文采用了学生审稿,从而导致审稿不专业,审稿意见水品不高等问题。对于作者们的反应和评论,IJCAI 2019 的PC(Program Chair,程序主席)Sarit Kraus给作者们发送了一封邮件,做出了解释,给出了比较中肯的回复,这也得到了不少学者的支持。小编认为,这个问题也反映了近年来不少学者往一些顶级会议投一些水平较低论文,这种"灌水”的行为也是导致论文录用率较低的主要原因,这次事件也值得各个领域的学者反思和借鉴。

邻近会议,我们不妨来回顾一下近两年的杰出论文。

2018年杰出论文

From Conjunctive Queries to Instance Queries in Ontology-Mediated Querying

作者:Cristina Feier,Carsten Lutz,Frank Wolter

论文链接:https://www.ijcai.org/proceedings/2018/0250.pdf

第一作者:

微信图片_20190806161325.jpg

论文摘要:我们考虑基于ALC族和连接查询的表达性描述逻辑的本体中介查询(ontology-mediated queries,OMQs),研究基于实例查询(instance queries,IQs)的OMQ的可重写性。我们的结果包括这种重写何时能精确表征以及决定重写性的严格复杂性界限。我们还给出了判定给定 MMSNP 语句是否等价于CSP的相关问题的严格复杂度界限。

Reasoning about Consensus when Opinions Diffuse through Majority Dynamics

作者:Vincenzo Auletta,Diodato Ferraioli,Gianluigi Greco

论文链接:https://www.ijcai.org/proceedings/2018/0007.pdf

第一作者:

微信图片_20190806161329.jpg

论文摘要:意见扩散是在社会图上进行研究的,在图中,代理人持有二元意见,社会压力使他们服从大多数邻居的意见。在这种情况下,有关少数/多数能否将其支持的意见传播给所有其他代理人的问题将得到审议。结果表明,无论基本图是什么,总有一组由一半能消除相反意见的因素所组成。相反,少数群体的影响力取决于给定图的某些特征,而这些特征是NP-hard难以识别的。决定这两种观点能否在某种稳定的配置中共存也是NP-hard。

SentiGAN:Generating Sentimental Texts via Mixture Adversarial Networks

作者:Ke Wang, Xiaojun Wan

论文链接:https://www.ijcai.org/proceedings/2018/0618.pdf

第二作者:

微信图片_20190806161333.jpg

论文摘要:在实际应用场景中,训练数据和测试数据质量的干净度往往难以让人满意。由于缺少解决数据中潜在噪声的有效策略,现有方法的效果在特权信息学习(learning using privileged information,LUPI)范式中可能面临很大的挑战。本文基于严格的理论分析,提出了一种新的鲁棒SVM+(R-SVM+算法。我们在SVM+框架下的LUPI范式中研究了样本标签数据和特权标签数据的扰动下界,这个扰动下界会误导模型做出错误的决策。通过最大化下界,学到的模型在扰动下的容忍度将会增大。据此,我们给模型引入了新的正则化函数,用于升级SVM+的变体。将R-SVM+的目标函数转化为二次规划问题,利用现成的求解方法可以很容易进行优化求解。实证结果展现了R-SVM+的必要性和算法的有效性。

What Game Are We Playing?End-to-end Learning in Normal and Extensive Form Games

作者:Chun Kai Ling, Fei Fang, J. Zico Kolter

论文链接:https://www.ijcai.org/proceedings/2018/0055.pdf

第二作者:

微信图片_20190806161336.jpg

论文摘要:虽然人工智能最近的研究在求解大型、零和、扩展形式的博弈方面取得了很大进展,但过去大多数工作中的基本假设都是博弈本身的参数是智能体已知的。本文讨论相对未被充分探索但同样重要的「逆」设置,其中并不是所有智能体都知道底层博弈的参数,它们必须通过观察来学习。我们提出一个可微的、端到端的学习框架来处理这个任务。特别地,我们考虑博弈的正则化版本,等价于随机最优反应均衡(quantal response equilibrium)的特定形式,并改进:1)在正规形式博弈和扩展形式博弈中寻找这种平衡点的原始-对偶牛顿(primal-dual Newton)方法;2)反向传播方法使我们能够通过解本身来计算所有相关博弈参数的梯度。这最终让我们通过端到端的训练来学习博弈,通过将「可微的博弈求解器」有效地集成到更大的深层网络体系结构的循环中。我们展示了该学习方法在多种设置中的有效性,包括扑克和安全博弈任务。

2017年杰出论文

Foundations of Declarative Data Analysis Using Limit Datalog Programs

作者:Mark Kaminski, Bernardo Cuenca Grau, Egor V. Kostylev

论文链接:https://www.ijcai.org/proceedings/2017/0156.pdf

第一作者:

微信图片_20190806161340.jpg

论文摘要:受声明性数据分析应用的启发,我们研究了Datalog,这是一个带有整数运算功能的实际数据记录(positive Datalog)的扩展。这一语言被认为是不可判定的,因此我们提出了两个分段。在limit Datalog中,谓语被公理化以保持最小/最大数值,从而允许我们表明事实蕴含(fact entailment)是结合中的完整coNExpTime和数据复杂性中的完整coNP。此外,额外的稳定性需求致使复杂性分别降至ExpTime和PTime。最终,我们证明稳定的Datalog能够表达很多有用的数据分析任务,因此我们的研究成果为高级信息系统的发展打下了坚实的基础。

General Heterogeneous Transfer Distance Metric Learning via Knowledge Fragments Transfer

作者:Yong Luo,Yonggang Wen,Tongliang Liu,Dacheng Tao

论文链接:https://www.ijcai.org/proceedings/2017/0341.pdf

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。近来,迁移距离度量学习(TDML)吸引了很多研究者的兴趣,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。针对场景分类和对象识别的广泛实验,也证明了我们所提出的这一方法的优越性。

推荐阅读 更多