أوراق IJCAI 2019: الفرق الصينية تمثل 38%، وجامعة بكين وجامعة نانجينغ مدرجتان في القائمة

اختتم مؤتمر الذكاء الاصطناعي IJCAI 2019 بنجاح في 16 أغسطس. وخلال الحدث التكنولوجي الذي استمر سبعة أيام، تعرف المشاركون على سيناريوهات تطبيق تكنولوجيا الذكاء الاصطناعي في مختلف المجالات في ورش العمل، واستمعوا إلى الخطب الرئيسية التي ألقاها خبراء الذكاء الاصطناعي، وأتيحت لهم الفرصة للتعرف على القصص التاريخية لتطوير الذكاء الاصطناعي بالإضافة إلى أحدث التطورات والاتجاهات في مناقشات المائدة المستديرة. وبالإضافة إلى ذلك، فإن الأوراق المدرجة في المؤتمر هي بلا شك المحتوى الأكثر شعبية. لقد قمنا بتجميع عدد من الأوراق المختارة حسب المجال خصيصًا لمشاركتها معك.

أفضل مؤتمرات الذكاء الاصطناعيالمؤتمر الدولي للهندسة المدنية 2019انعقدت في ماكاو بالصين في الفترة من 10 إلى 16 أغسطس واختتمت بنجاح.

وفي حفل الافتتاح يوم 13 أغسطس، استعرض منظمو المؤتمر الأوراق البحثية التي تضمنها المؤتمر. أعلن رئيس المؤتمر توماس إيتر عن المعلومات التالية: تلقى مؤتمر IJCAI لهذا العام ما مجموعه 4752 ورقة بحثية، ووصل العدد النهائي للأوراق البحثية المدرجة إلى مستوى قياسي.**850 مقالة،**معدل القبول هو 17.9%.

وبعد ذلك قدمت ساريت كراوس، رئيسة لجنة برنامج المؤتمر، شرحًا مفصلاً عن حالة الأوراق البحثية. وبالمقارنة مع 3470 ورقة بحثية مدرجة في العام الماضي، فإن معدل النمو هذا العام هو 37%. ومن بين 850 ورقة بحثية مدرجة،هناك 327 مقالة من الصين، تمثل 38%.

وفيما يتعلق بموضوع الورقة،**لا يزال التعلم الآلي هو المجال الأكثر سخونة.**عدد المقالات المضمنة هو 438، أي أكثر من النصف،بالإضافة إلى ذلك، المجال الذي يحتوي على أكبر عدد من الأوراقوهي تشمل الرؤية الحاسوبية، وتطبيقات التعلم الآلي، ومعالجة اللغة الطبيعية.

هذا العام، شارك في مراجعة الأوراق البحثية ما مجموعه 73 رئيس منطقة، و740 عضوًا من أعضاء لجنة البرنامج العليا، و2696 عضوًا من أعضاء لجنة البرنامج. ما هي الأوراق المتميزة التي راجعوها؟

ورقة فريدة من نوعها حائزة على جائزة

اختارت IJCAI 2019 ورقة بحثية واحدة من بين 850 ورقة بحثيةأوراق بحثية متميزة(ورقة مميزة):

الملخص: قام المؤلفون بدراسة**مشاكل التصنيف بناءً على ظروف التباين.يكون هذا النوع من المشاكل عمومًا على هذا النحو: إذا أعطينا مجموعة، فلا يمكننا الحصول إلا على معلومات ثلاثية، وهي مقارنة بين ثلاثة أهداف. على سبيل المثال، إذا كانت المسافة من x_i إلى x_j أصغر من المسافة من x_i إلى x_k، فكيف نقوم بتصنيف x_i؟ وفي هذه الورقة اقترح الباحثون تريبل بوستيمكن للخوارزمية أن تتعلم مصنفًا من مثل هذه البيانات الثلاثية. الفكرة الرئيسية للورقة هي أن معلومات المسافة التي يجلبها الثلاثي يتم إدخالها في مصنف ضعيف، والذي يمكن ترقيته تدريجيًا إلى مصنف قوي بطريقة تسلسلية.
وتشمل هذه الأساليبميزتين:**أولاً، يمكن تطبيق هذه الطريقة في مساحات المصفوفات المختلفة. بالإضافة إلى ذلك، يمكن لهذه الطريقة حل المعلومات الثلاثية التي لا يمكن الحصول عليها إلا بشكل سلبي أو تكون مشوشة في العديد من المجالات. وفي ورقتهم البحثية، تأكد الباحثون نظريًا من جدوى هذه الطريقة واقترحوا حدًا أدنى لعدد الثلاثيات التي يجب الحصول عليها. ومن خلال التجارب، يقولون إن هذه الطريقة أفضل من الطرق الموجودة وأكثر مقاومة للضوضاء.

احصل على IJCAI-JAIRأفضل ورقةأفضل ورقة هي:

ملاحظة: يتم منح هذه الجائزة للأوراق البحثية المنشورة في JAIR خلال السنوات الخمس الماضية.

ملخص: تنص الورقة على أن مشكلة NP-complete الأكثر شيوعًا، وهي قابلية الإشباع المنطقي (SAT) وتعميمها الكامل PSPACE، قابلية الإشباع المنطقي الكمي (QAT)، هما جوهر نموذج البرمجة التصريحية.يمكنه حل العديد من الحالات الواقعية للمشاكل الحسابية المعقدة بكفاءة.ويتم تحقيق النجاح في هذا المجال من خلالاختبار SAT واختبار QSATويتم تحقيق ذلك من خلال تحقيق تقدم كبير في التنفيذ العملي لإجراءات اتخاذ القرار، وخاصة حلول SAT وQSAT. في هذه الورقة، قام الباحثون بتطوير وتحليل إجراء إزالة الجملة للمعالجة المسبقة والمعالجة اللاحقة. تشكل عملية إزالة الجملة مجموعة من تقنيات تبسيط (P)CNF الرسمية، بحيث يمكن إزالة الجمل ذات الخصائص الزائدة المعينة في وقت متعدد الحدود مع الحفاظ على قابلية الصيغة للإرضاء.

بالإضافة إلى هذه الأوراق الحائزة على جوائز، وباعتبارها واحدة من أهم المؤتمرات الرائدة في مجال الذكاء الاصطناعي، احتلت IJCAI مرتبة بين أفضل المؤتمرات من حيث عدد الأوراق المقدمة والقبول على مر السنين، وهناك العديد من الأوراق الممتازة المنتجة هناك.

لذلك، سوبر نيورو من مؤتمر IJCAI هذاهوت 3في كل عدد، نقوم باختيار ورقة أو ورقتين مختارتين ونقدم مقدمة موجزة، حتى نتمكن من الحصول على لمحة عن الصورة الشاملة لـ IJCAI.

المجال الأكثر سخونة 1: التعلم الآلي

أوراق مختارة في التعلم الآلي 1

ملخص: مهمة الإجابة على أسئلة الفيديو المفتوحة هي إنشاء إجابات نصية تلقائيًا من محتوى فيديو مرجعي استنادًا إلى سؤال معين.

في الوقت الحالي، غالبًا ما تعتمد الطرق الحالية على شبكات التشفير وفك التشفير المتكررة متعددة الوسائط، ولكنها تفتقر إلى نمذجة الاعتماد على المدى الطويل، مما يجعلها غير فعالة في الإجابة على أسئلة الفيديو الطويلة.

ولحل هذه المشكلة اقترح المؤلفون**شبكة ترميز وفك تشفير ذاتية الاهتمام التلافيفية الهرمية السريعة (HCSA).**باستخدام مشفر الاهتمام الذاتي مع التلافيف الطبقية،نمذجة محتوى الفيديو الطويل بكفاءة.

يقوم HCSA ببناء هيكل هرمي من تسلسلات الفيديو ويلتقط التبعيات طويلة المدى المرتبطة بالأسئلة من سياق الفيديو. بالإضافة إلى ذلك، تم تصميم فك تشفير الانتباه متعدد المقاييس، والذي يدمج طبقات متعددة من التمثيل لتوليد الإجابة، وتجنب فقدان المعلومات في طبقة الترميز العليا.

تظهر النتائج التجريبية أن هذه الطريقة تعمل بشكل جيد على مجموعات بيانات متعددة.

أوراق مختارة في التعلم الآلي 2

ملخص: غالبًا ما يكون تطبيق التعلم الآلي محدودًا بكمية البيانات المسمىة الفعالة، ويمكن للتعلم شبه الخاضع للإشراف حل هذه المشكلة بشكل فعال.

تقترح هذه الورقة خوارزمية تعلم شبه خاضعة للإشراف بسيطة وفعالة——تدريب اتساق الاستيفاء(تدريب اتساق الاستيفاء، تكنولوجيا المعلومات والاتصالات).

**تجعل تقنية المعلومات والاتصالات التنبؤات المقحمة للنقط غير المسمّاة متسقة مع التنبؤات المقحمة لهذه النقاط.**في مشاكل التصنيف، تقوم تكنولوجيا المعلومات والاتصالات بنقل حدود القرار إلى مناطق ذات كثافة منخفضة من توزيع البيانات. إنه لا يستخدم أي حساب إضافي تقريبًا ولا يتطلب تدريب نموذج توليدي، وحتى بدون ضبط المعلمات الفائقة بشكل مكثف، فإنه يعمل بشكل جيد للغاية عند تطبيقه على بنيات الشبكة العصبية القياسية على مجموعات البيانات المعيارية CIFAR-10 وSVHN.حقق أداءً متطورًا.

المجال الأكثر سخونة 2: الرؤية الحاسوبية

أوراق مختارة في رؤية الكمبيوتر 1

ملخص: يمكن للميزات من مقاييس متعددة أن تساعد بشكل كبير في مهمة اكتشاف الحافة الدلالية، ومع ذلك، فإن طرق اكتشاف الحافة الدلالية السائدة تطبق استراتيجية دمج الوزن الثابت، حيث يتم إجبار الصور ذات الدلالات المختلفة على مشاركة نفس الأوزان، مما يؤدي إلى أوزان دمج عالمية لجميع الصور والمواقع بغض النظر عن دلالاتها المختلفة أو سياقاتها المحلية.

يقترح هذا العملاستراتيجية دمج الميزات الديناميكية الجديدةتعيين أوزان اندماج مختلفة بشكل متكيف لصور الإدخال والمواقع المختلفة. ويتم تحقيق ذلك من خلال متعلم الوزن المقترح لاستنتاج أوزان الاندماج المناسبة لمدخلات محددة ذات ميزات متعددة المستويات في كل موضع من خريطة الميزات.

بهذه الطريقة، يمكن تفسير التباين في المساهمات المقدمة من مواقع مختلفة لخرائط المعالم والصور المدخلة بشكل أفضل، وبالتالي تسهيل عملية توليدتوقعات حافة أكثر دقة وأكثر حدة.

أوراق مختارة في رؤية الكمبيوتر 2

ملخص: يعد تقدير العمق أحادي العين مهمة مهمة في فهم المشهد. تعتبر الأشياء والهياكل الأساسية للأشياء في المشاهد المعقدة أمرًا بالغ الأهمية للحصول على خرائط عمق دقيقة وجذابة بصريًا. يعكس الهيكل العالمي تخطيط المشهد، ويعكس الهيكل المحلي تفاصيل الشكل. لقد أدت طرق تقدير العمق المعتمدة على CNN والتي تم تطويرها في السنوات الأخيرة إلى تحسين أداء تقدير العمق بشكل كبير. ومع ذلك، قليل منهم من يأخذ في الاعتبار الهياكل متعددة المقاييس في المشاهد المعقدة.

تقترح هذه الورقةشبكة هرمية متبقية واعية بالهيكل للتنبؤ الدقيق العميق باستخدام هياكل متعددة المقاييس(SARPN)، تم اقتراح فك تشفير الهرم المتبقي (RPD)، والذي يمثل بنية المشهد العالمي في الطبقة العليا لتمثيل التخطيط، والبنية المحلية في الطبقة السفلية لتمثيل تفاصيل الشكل؛ في كل طبقة، تم اقتراح وحدة تحسين متبقية (RRM) للخريطة المتبقية المتوقعة لإضافة هياكل أدق تدريجيًا على الهيكل الخشن المتوقع في الطبقة العليا؛ من أجل الاستفادة الكاملة من ميزات الصور متعددة المقاييس، تم اقتراح وحدة دمج الميزات الكثيفة التكيفية (ADFF)، والتي تدمج بشكل تكيفي الميزات الفعالة لكل مقياس لاستنتاج بنية كل مقياس. تظهر النتائج التجريبية على مجموعة بيانات NYU-Depth v2 أن الطريقة المقترحة تحقق أداءً متطورًا في كل من التقييم النوعي والكمي.بلغت الدقة 0.749، وبلغ معدل الاسترجاع 0.554، وبلغت درجة F1 0.630.

المجال الأكثر سخونة: معالجة اللغة الطبيعية (NLP)

أوراق مختارة في البرمجة اللغوية العصبية 1

ملخص: تُستخدم الشبكات العصبية المتكررة (RNNs) على نطاق واسع في مجال معالجة اللغة الطبيعية (NLP)، بما في ذلك تصنيف النصوص، والإجابة على الأسئلة، والترجمة الآلية. في العادة، لا تستطيع شبكات RNN سوى المراجعة من البداية إلى النهاية ولديها قدرة ضعيفة على التعامل مع النصوص الطويلة. في مهام تصنيف النصوص، فإن عددًا كبيرًا من الكلمات في المستندات الطويلة لا يكون ذا صلة ويمكن تخطيه. وفي ضوء هذا الوضع، يقترح مؤلف هذه الورقة:**تحسين LSTM:**قفزة-LSTM.

يمكن لـ Leap-LSTM قراءة النص**التنقل بين الكلمات بشكل ديناميكي.**في كل خطوة، يستخدم Leap-LSTM العديد من برامج ترميز الميزات لاستخراج المعلومات من النص السابق والنص التالي والكلمة الحالية، ثم يقرر ما إذا كان سيتم تخطي الكلمة الحالية. في خمس مجموعات بيانات مرجعية بما في ذلك AGNews وDBPedia وYelp F. وYelp P. وYahoo،إن تأثير التنبؤ لـ Leap-LSTM أعلى من تأثير LSTM القياسي، كما أن Leap-LSTM لديه سرعة قراءة أعلى.

أوراق مختارة في البرمجة اللغوية العصبية 2

ملخص: تدرس هذه الورقة**مشكلة محاذاة الكيان بناءً على تضمين الرسم البياني المعرفي.**تركز الأعمال السابقة بشكل أساسي على البنية العلائقية للكيانات، وبعضها يتضمن أنواعًا أخرى من الميزات، مثل السمات، من أجل التحسين.

ومع ذلك، لا يزال عدد كبير من ميزات الكيان غير متماثل، مما يضر بدقة ومتانة محاذاة الكيان القائمة على التضمين.

تقترح هذه الورقة إطارًا جديدًا.**إنه يوحد وجهات نظر متعددة للكيانات لتعلم التضمينات المتوافقة مع الكيان.**على وجه التحديد، تستخدم هذه الورقة عدة استراتيجيات مجمعة لتضمين الكيانات استنادًا إلى وجهات نظر أسماء الكيانات والعلاقات والسمات.

بالإضافة إلى ذلك، تقوم هذه الورقة بتصميم بعض أساليب التفكير البياني عبر المعرفة لتعزيز التوافق بين رسمين بيانيين للمعرفة. تظهر التجارب على مجموعات البيانات الحقيقية أن أداء هذا الإطار أفضل بشكل ملحوظ من طريقة محاذاة الكيان القائمة على التضمين الأكثر تقدمًا. تساهم وجهات النظر المختارة، والتفكير البياني عبر المعرفة، واستراتيجيات الجمع، في تحسين الأداء.

-- زيادة--

انقر لقراءة المقال الأصلي