AAAI 七大精華大盤點,零距離體驗國際人工智慧大會

2月4日至2月9日，舊金山迎來人工智慧的國際頂級會議——AAAI 2017。

AI科技評論作為前赴第一線現場報導的中國媒體，在大會期間為大家梳理了一份AAAI 2017的現場精華集錦。內容包括七大部分，讓你即便不在現場也能感受一番「故事在手，天下我有」的體驗。

今年的 AAAI 2017 上，百度、騰訊、華為、360、今日頭條、攜程、iPIN 等公司的人工智慧團隊都有論文被收錄。

百度

今年百度共有兩篇論文被 AAAI 收錄，分別是《Collaborative Company Profiling: Insights from an Employee's Perspective》和《Localizing by Describing: Attribute-Guided Attention Localization for Fine-Grained Recognition Xiao》。第一篇論文主要通過介紹如何對人力資源實現人工智慧化的管理。據稱，百度的智能化人才管理系統目前算得上是全球首創，將採用人工智慧探討如何從員工的視角讓公司產生更大的人力價值。

百度IDL主任林元慶也領導團隊提交了一篇關於本地化描述的深度學習論文，主要是解決基於細粒度的識別定位。團隊認為，這一問題的核心挑戰在於尋找最具區分度的本地區域，並引入了一個屬性引導的定位方案。通過設計一種新型的獎勵策略，團隊能夠讓機器在強化學習算法上實現區域空間與語義的區分。此外，團隊在 CUB-200-2011 數據集上也已經證明了該方案的優越性。

騰訊優圖實驗室

騰訊優圖實驗室與廈門大學合作撰寫的學術論文「Towards Optimal Binary Code Learning via Ordinal Embedding」被 AAAI 2016 收錄，其中提及了保持相對排序的哈希排序算法（OEH+DTW，Ordinal Embedding Hashing and Dynamic Time Warping），採用監督學習，改進了傳統哈希搜索技術中的效能問題。而在今年的「Ordinal Constrained Binary Code Learning for Nearest Neighbor Search」中，黃飛躍採用了一種新型的保持排序散列方法，即 Ordinal Constraint Hashing (OCH)，並在三個大規模視覺搜索基準數據集（LabelMe, Tiny100K 和 GIST1M）中取得了性能較好的結果。

華為諾亞方舟實驗室

華為諾亞方舟實驗室的李航團隊在今年也同樣有新成果，在「Neural Machine Translation with Reconstruction」中，團隊認為雖然端到端神經機器翻譯（NMT）在過去兩年取得了進展，但一個主要缺點在於 NMT 系統生成的翻譯通常缺乏充分性（adequacy），即反覆翻譯一些單詞而錯誤地忽略其它單詞。為了解決這個問題，團隊提出了一個「編碼-解碼-再現器」的 NMT 框架，能夠顯著提升 NMT 輸出的充分性，並獲取更好的翻譯結果。

360

360 首席科學家顏水成教授的團隊今年也有論文入選 AAAI 2017，「Multi-Path Feedback Recurrent Neural Network for Scene Parsing」，論文考慮通過多路徑反饋的遞歸神經網絡實現了現場解析。這個新穎的 MPF-RNN 能夠提高 RNNs 在不同層次的遠程環境建模的水平，比起原本容易混淆的圖像，能夠獲得更理想的分辨像素。與前饋 CNN 與 RNN 只具有單一反饋不同，MPF-RNN 學會在頂部層級通過多種上下文特徵學習底部特徵的加權連接。

攜程

攜程科研團隊的論文也同樣被 AAAI 2017 收錄，這篇名為「A Hybrid Collaborative Filtering Model with Deep Structure for Recommender Systems」的文章基於公司自主研發的通用化推薦系統而寫就，並獲得了上海經信委專項基金支持。根據攜程團隊的說法，論文提及系統採用了深度神經網絡的自動編碼技術，目前陸續落地了 50 餘個個性化場景，而某些場景的轉化率提升了 13 倍之多，有效地提升了用戶的出行體驗。

iPIN

iPIN 團隊的「Recurrent Attentional Topic Model」則利用了深度學習技術在文檔實現建模，增加了句間的語義相關性，並基於 Topic Model 應用於社會經濟圖譜，並研發一個類 Watson 的認知框架，以輔助用戶決策。「Alpha Go 雖然在圍棋上戰勝了世界冠軍，但是它的決策過程依然是一個黑箱，我們無法知曉它走某一步棋背後的原理何在。IBM Watson 與其他人工智慧公司的最大不同在於，它們將理解和分析融入到機器學習中去，而我們也同樣會將機器在決策中的分析過程以邏輯的形式梳理出來。」iPIN CEO 楊洋向雷鋒網(公眾號：雷鋒網)表示，雖然目前公司的研究成果還處於試驗階段，距離真正的應用還有一段距離。

二、重點主題演講

AAAI 每年所邀請的演講嘉賓也順利成章地成為了關注的重點。今年共有六位學術大牛受邀來到了舊金山，與觀眾們分享人工智慧的研究觀點。以下為雷鋒網整理的嘉賓演講及主題：

2 月 5 日，田納西大學與國家科學基金 Lynne Parker：《美國國家人工智慧研究及發展戰略計劃的創新之處》。此前雷鋒網曾經報導過關於這位學界大神的介紹，更多可參看《琳恩帕克：調教一個機器人不難，她要教一群機器人自動「聚沙成塔」》

2 月 6 日，MIT 的 Rosalind Picard：《構建情感智能技術存在的風險》；

2 月 7 日，劍橋大學工程部 Steve Young：《機器學習的統計語音對話系統及其挑戰》；同一天下午還有倫敦大學教授 Peter Dayan的《神經強化學習與人工強化學習的兼容性》；

2 月 8 日，德克薩斯大學奧斯汀分校 Kristen Grauman：《根據無標籤視頻，機器如何學習移動與觀察方位》；

2 月 9 日，MIT CSAIL 與本田研究院 Russ Tedrake：《現實世界中，動態機器人的凸度與組合優化》；

此外還有谷歌 Dmitri Dolgov、NASA 的 Jeremy Frank等人的沙龍會議。

三、有哪些大牛進行了分享

除了上述6大重點演講外，雷鋒網全程跟進了多位AI大牛的分享。

谷歌首席科學家 Vincent Vanhoucke

Vincent Vanhoucke是Google的首席科學家，史丹福大學電子工程學博士，目前在Google Brain主導機器人相關的項目。Vanhoucke主要的研究領域是語音識別、計算機視覺和機器人等領域，他還即將主持機器人領域的盛會CoRL 2017（Conference on Robot Learning）。

Vanhoucke在AAAI大會中提到：機器智能現在已經發展到一個相當的水準，在某些特定情境下的表現可以媲美（甚至超越）人類，比如機器視覺、機器翻譯、語音識別，現在是時候讓這些能力在物理世界中發揮效應了。他在今天的演講中提到，robotics的研究現在也正面臨著一場深度學習的革新，實現這一點，需要現在的機器學習從業者跳出監督學習的舒適區，面臨一些棘手的問題：數據稀缺，如何使機器實現技能轉換以及持續性的學習等等。Vanhoucke也提到，這也是人工智慧從理論到實踐的必經之路。

Vanhoucke分別介紹了他在圖像、語音（及機器翻譯）領域和機器人（主要是機械手抓取）的一些研究成果。

亞馬遜AWS機器學習總監Alex Smola：如何用MXNet構建可拓展的深度學習框架？

亞馬遜 AWS 機器學習總監 Alex Smola 做了主題分享，介紹了如何利用 MXNet 構建一個可拓展的深度學習框架。

Alex Smola 是 MXNet 主要作者李沐在 CMU 的博士導師，後者在 Smola 加入亞馬遜期間一直在做 MXNet 開發和 AWS 上深度學習的應用，這也難怪在 Smola 演講最開始的感謝名單上，第一個名字就是李沐。

那麼，作為亞馬遜的官方開源平臺，MXNet 又是如何實現「又快又好」的目標呢？

Smola 指出，要構建一個這樣集高效與個性化於一體的框架，首先不可避免地要涉及潛變量模型的設計。潛變量模型是一種結構方程模型，區別於顯變量，指的是不能被直接觀測、需要通過間接數據體現的指標。而它具有以下兩種表現形式：

首先是時間序列觀察，包括了購物、點讚、App 的使用、郵箱、廣告點擊、查詢及評分等。

其次是用潛狀態解釋用戶的行為。一個是基於非參模型的方法，系統能夠數據構建用戶畫像，剔除存在誤差的推斷；第二點是基於深度神經網絡的 RNN 還有 LSTM 及 GRU 等方法。

楊強：解讀AAAI的歷史變遷

大會期間，雷鋒網組織了一次AAAI華人舊金山沙龍，有近30位AI學者、業者聚集在沙龍場地。AAAI現任執委楊強教授、今日頭條實驗室總監李磊、清華大學智能技術與系統國家重點實驗室主任朱小燕、iFly.vc合伙人沈瀚（他在Fomula 8時主導了Oculus的投資)、物靈科技人工智慧首席科學家吳惟心、iPIN創始人楊洋在現場做了分享。

楊強教授從1990年起就參加AAAI，在這次的沙龍中講述了AAAI 二十幾年的歷史變遷。楊強教授回憶到，1990年的那期會議有個激動人心的題目是邏輯——非單調邏輯，有很少的人群在研究人工智慧、概率，更多的人是在研究邏輯，到現在情況又完全不同，今天是就機器學習的天下了。

四、AAAI 獎項

人工智慧的國際頂級會議必定少不了讓人垂涎的獎項，此次大會頒發了多個獎項，其中包括：

Deployed Application Awards獎項頒發給了「Large Scale OccupationalSkills Normalization for Online Redcruitment」和「Phase Mapper：An AIPlatform toAccelerate High Throughout Materials」

Robert S.Engelmore Memorial Award Leture頒發給了David Aha

AAAI 2016 Blue Sky Winner頒發給了「The AI Rebellion：Changing the Narrative」、「Moral Desision Making Frameworks for Artificial Intelligence」和「Getting More Out of the Exposed Structured in Constraint Programming Models of Combinatorial Problems」

傑出服務獎（Distinguished Service）頒發給了Jim Hendler

AAAI/EAAI傑出教育者獎頒發給了Sebastian Thrun

AAAI Classic Paper頒發給了Dieter Fox等人在1999年佛羅裡達大會上撰寫的「Monte Carlo Localization：Efficient Position Estimation for Mobile Roots」

Feigenbaum Prize頒發給了史丹福大學的Yoav Shoham

除了獎項之外，大會還宣布了3名高級會員和7位新當選 Fellow：

三位高級會員是：Alessandro Cimatti、Xuelong Li（中科院）和Nathan R. Sturtevant,

7名Fellow是：Ronen I. Brafman， Eduard H. Hovy, Tommi S. Jaakkola, Maurizio Lenzerini, Fangzhen Lin(香港科技大學)、Dale Schurmans, Munidar P. Singh.

五、有趣的數字

大會組委會宣布了多項關於 AAAI 的數據：  

參會人數，AAAI 2017 註冊參會人數 1692 人，為近年來最高； 

根據官方數據顯示，2013年是AAAI論文數量的一個低谷，而從這一年開始，AAAI加快了國際化的步伐，連續4年論文連創新高，今年大會收到的投遞論文為2571篇，為歷史最高； 

大會發表的論文總數為 639 篇，錄取率為24.9%； 

從主題來看，Machine Learning毫無懸念奪得投遞數和錄取數的冠軍，2-5名依次是NLP、Application、Search/Planning、Vision； 

從論文標題看，Latent、Estimation、Kernel這三個單詞出現率最高，其他出現率較高的單詞還包括：ProCESs、Algorithms、Application、Structured、Fast、Tracking、Solving. （說句題外話，知乎有大神總結過CV和Deep Learning類灌水論文標題套路，CV灌水文多用{consistent/robust/joint/regularized/generalized/discriminated/structured}) + {learning/coding/dictionary/representation} + {based/for} + 經典保留曲目(如{image segmentation/verification/identification})，而Deep Learning灌水文多用「 deep feature for/based XXXX」。

（AI君對比了一下，上述灌水詞幾乎都沒有出現，看來大會的論文質量還是可以的）  

 在Keyword中出現頻率最高的10個單詞分別為：Data、Learning、Model、Algorithm、Methods、Proposed、Information、Network、Different；  

錄取率最高的領域包括：Game Theory、Search/Planning、Intefrated System Track、Uncertainly、Cognitive systems track、Vision、Comuter sustainbility track、Knowledge Representation、Machine Learning、MAS、Robotics、Application、Human、NLP； 

AAAI的Job Fair分為兩個不同場次：在Grand Ball Room的現場展位以及在Continental Ball Room的10分鐘宣講。需要尋找工作的學生可以先聽自己感興趣的公司對自己業務以及招聘概況的介紹，如果感興趣可以再到現場展位進行更詳細的洽談。

高校：來到現場招聘的高校包括University of Kentucky、Nanyang Technological University、National University of Singapore、Kyushu University等。從AI君現場觀察情況看，儘管AI畢業生往產業走的比例一直在提高，但現場還是有不少人對學術職位感興趣。

（企業）研究所：包括IBM Research、Disney Research、Maluuba Research、Allen Institute of Artificial Intelligence等。這些研究所招聘崗位包括博士後崗位，以及與自己業務相關的研發人員，如Disney的招聘官就和AI君表示，他們對NLP、機器人、計算機視覺等崗位有需求。

企業：企業是招聘的主流，從現場的情況看，情況最好的是Facebook，而一些相對「傳統」的企業，如Ford（招聘分析人員）、GM（招聘自動駕駛人員）就較少有人問津，甚至像Capital One這樣在Fintech領域做了不少事兒的金融公司，在中國招人恐怕要搶破頭了，但在現場也並沒有得到太多的關注。

其實不少企業並沒有在招聘上抱太大想，而是把Job Fair當做企業做PR的平臺。而更希望通過這一平臺發揮作用，吸引優秀人才的企業則使出渾身解數來宣傳自己，如iPin的創始人楊洋在宣講中就提出了「高額搬家費與期權」、「三年內上市」等很實在的條件，甚至提出「如果沒有女（男）朋友，我們可以幫你找（因為我們是做招聘的，找人是我們的特長）」，引來聽眾一片笑聲。

AAAI 還未結束，後續雷鋒網將為大家呈現更多精彩的內容。

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。