IJCAI 2019 논문: 중국팀 38% 기록, 베이징대와 난징대 포함
최고의 AI 컨퍼런스인 IJCAI 2019가 8월 16일에 성황리에 마무리되었습니다. 7일간의 기술 행사 동안 참가자들은 워크숍에서 다양한 분야에서 AI 기술이 적용되는 시나리오에 대해 배우고, AI 베테랑들의 기조연설을 듣고, 원탁토론을 통해 AI 개발의 역사적 이야기와 최신 진행 상황 및 동향에 대해 배울 기회를 가졌습니다. 게다가, 이 컨퍼런스에 포함된 논문은 의심할 여지 없이 가장 인기 있는 콘텐츠입니다. 우리는 여러분과 공유하기 위해 분야별로 엄선된 논문을 특별히 정리했습니다.
최고의 AI 컨퍼런스 IJCAI 2019 8월 10일부터 8월 16일까지 중국 마카오에서 개최되어 성공적으로 마무리되었습니다.
8월 13일 개막식에서 학회 주최측은 학회에 포함된 논문을 검토했습니다. 컨퍼런스 의장인 토마스 아이터는 다음과 같은 정보를 발표했습니다. 올해 IJCAI에는 총 4,752편의 논문이 제출되었으며, 최종적으로 포함된 논문 수는 역대 최고치를 기록했습니다. 850개의 기사,합격률은 17.9%입니다.
이어서, 학회 프로그램 위원회 위원장인 사릿 크라우스가 논문 현황에 대해 자세히 설명했습니다. 작년에 포함된 논문 3,470편과 비교했을 때 올해의 성장률은 37%입니다. 포함된 850개 논문 중,중국에서는 327개의 논문이 있으며, 이는 38%에 해당합니다.
논문의 주제에 관하여,머신러닝은 여전히 가장 인기 있는 분야입니다.포함된 기사의 수는 438개로 절반 이상이다.또한, 논문 수가 가장 많은 분야는컴퓨터 비전, 머신 러닝 애플리케이션, 자연어 처리 등이 있습니다.
올해는 총 73명의 지역 의장, 740명의 고위 프로그램 위원회 위원, 2,696명의 프로그램 위원회 위원이 논문 검토에 참여했습니다. 그들이 검토한 뛰어난 논문은 무엇입니까?
유일무이한 수상 논문
IJCAI 2019는 850편의 논문 중 1편을 선정했습니다.우수 논문(뛰어난 논문):
초록: 저자는 다음을 연구했습니다.대조 조건에 따른 분류 문제.이런 종류의 문제는 일반적으로 다음과 같습니다. 주어진 집합에 대해 세 개의 대상을 비교한 결과인 삼중 정보만 얻을 수 있습니다. 예를 들어, x_i에서 x_j까지의 거리가 x_i에서 x_k까지의 거리보다 작다면, x_i를 어떻게 분류할 수 있을까요? 본 논문에서 연구자들은 다음과 같은 제안을 했습니다. 트리플릿부스트알고리즘은 이러한 삼중 데이터로부터 분류기를 학습할 수 있습니다. 이 논문의 주요 아이디어는 삼중항이 가져온 거리 정보를 약한 분류기에 입력하여 직렬 방식으로 점진적으로 강한 분류기로 업그레이드할 수 있다는 것입니다.
이러한 방법에는 다음이 포함됩니다.두 가지 장점:첫째, 이 방법은 다양한 행렬 공간에 적용될 수 있습니다. 또한, 이 방법은 많은 분야에서 수동적으로만 얻을 수 있거나 노이즈가 많은 삼중 정보를 해결할 수 있습니다. 연구진은 논문에서 이 방법의 실행 가능성을 이론적으로 검증하고 얻어야 할 삼중항의 수에 대한 하한을 제안했습니다. 그들은 실험을 통해 이 방법이 기존 방법보다 우수하고 노이즈에 더 강하다고 밝혔습니다.
IJCAI-JAIR 획득 최우수 논문가장 좋은 논문은 다음과 같습니다.
참고: 이 상은 지난 5년 동안 JAIR에 게재된 논문에 수여됩니다.
초록: 이 논문에서는 가장 전형적인 NP-완전 문제인 부울 만족성(SAT)과 그 PSPACE-완전 일반화인 양적 부울 만족성(QAT)이 선언적 프로그래밍 패러다임의 핵심이라고 주장합니다.이는 계산적으로 복잡한 다양한 실제 문제를 효율적으로 해결할 수 있습니다.이 분야에서의 성공은 다음을 통해 달성됩니다. SAT와 QSAT 이는 SAT 및 QSAT 솔버라는 의사결정 절차의 실제 구현에서 획기적인 진전을 통해 달성되었습니다. 본 논문에서 연구자들은 사전 처리와 사후 처리를 위한 절 제거 절차를 개발하고 분석합니다. 절 제거 과정은 일련의 (P)CNF 공식 단순화 기술을 형성하여 공식의 만족 가능성을 유지하면서 특정 중복 속성을 가진 절을 다항식 시간 내에 제거할 수 있습니다.
이러한 수상 논문 외에도, 인공지능 분야에서 가장 인기 있는 상위 학회 중 하나인 IJCAI는 수년간 논문 제출 및 승인 건수 측면에서 상위 학회에 속해 있으며, 많은 우수한 논문이 발표되었습니다.
따라서 이 IJCAI 컨퍼런스의 Super Neuro핫3매 호마다 1~2편의 논문을 선정하여 간략하게 소개함으로써 IJCAI의 전반적인 모습을 엿볼 수 있도록 하였습니다.
가장 인기 있는 분야 1: 머신러닝
머신러닝 분야 선정 논문 1
초록: 개방형 비디오 질의응답 과제는 주어진 질문에 기반하여 참조 비디오 콘텐츠에서 자동으로 텍스트 답변을 생성하는 것입니다.
현재, 기존 방법들은 종종 다중 모드 순환 인코더-디코더 네트워크를 채택하지만 장기 종속성 모델링이 부족하여 긴 비디오 질의 응답에는 효과적이지 않습니다.
이 문제를 해결하기 위해 저자들은빠른 계층적 합성곱 자기 주의 인코더-디코더 네트워크(HCSA).계층화된 합성곱을 사용한 자기 주의 인코더를 사용하여긴 비디오 콘텐츠를 효율적으로 모델링합니다.
HCSA는 비디오 시퀀스의 계층적 구조를 구축하고 비디오 컨텍스트에서 질문에 대한 장기적 종속성을 포착합니다. 또한, 여러 계층의 표현을 융합하여 답을 생성하는 다중 스케일 어텐션 디코더가 설계되어 최상단 인코딩 계층의 정보 손실을 방지합니다.
실험 결과에 따르면 이 방법은 여러 데이터 세트에서 좋은 성능을 보입니다.
머신러닝 2의 선정 논문
초록: 머신 러닝의 적용은 종종 효과적인 레이블이 지정된 데이터의 양에 의해 제한을 받으며, 반지도 학습은 이 문제를 효과적으로 해결할 수 있습니다.
본 논문에서는 간단하고 효과적인 반지도 학습 알고리즘을 제안한다.보간 일관성 훈련(보간 일관성 훈련, ICT).
ICT는 레이블이 지정되지 않은 지점의 보간 예측을 이러한 지점의 보간 예측과 일치시킵니다.분류 문제에서 ICT는 결정 경계를 데이터 분포의 밀도가 낮은 영역으로 옮깁니다. 추가 계산이 거의 필요하지 않고 생성 모델을 학습할 필요도 없으며, 광범위한 하이퍼파라미터 튜닝 없이도 CIFAR-10 및 SVHN 벤치마크 데이터 세트의 표준 신경망 아키텍처에 적용하면 매우 우수한 성능을 보입니다.최첨단 성능을 달성했습니다.
가장 인기 있는 분야 2: 컴퓨터 비전
컴퓨터 비전 분야 선정 논문 1
초록: 여러 척도의 특징은 의미적 에지 감지 작업에 큰 도움이 될 수 있지만, 널리 사용되는 의미적 에지 감지 방법은 고정 가중치 융합 전략을 적용합니다. 즉, 서로 다른 의미를 지닌 이미지가 동일한 가중치를 공유하도록 강제하여 모든 이미지와 위치에 대해 의미적 또는 로컬 컨텍스트의 차이에 관계없이 보편적인 융합 가중치가 적용됩니다.
이 작업에서는 다음을 제안합니다.새로운 동적 기능 융합 전략,다양한 입력 이미지와 위치에 다양한 퓨전 가중치를 적응적으로 할당합니다. 이는 각 피처 맵의 위치에 다중 레벨 피처가 있는 특정 입력에 대한 적절한 융합 가중치를 추론하기 위해 제안된 가중치 학습기를 통해 달성됩니다.
이러한 방식으로 피처 맵과 입력 이미지의 다양한 위치에서 발생하는 기여의 이질성을 더 잘 설명할 수 있으므로 생성이 용이해집니다.더욱 정확하고 날카로운 에지 예측.
컴퓨터 비전 2의 선정 논문
초록: 단안 깊이 추정은 장면 이해에 있어서 중요한 작업입니다. 복잡한 장면에서 객체와 객체의 기본 구조는 정확하게 복구되고 시각적으로 좋은 깊이 맵을 만드는 데 필수적입니다. 글로벌 구조는 장면 레이아웃을 반영하고, 로컬 구조는 모양의 세부 정보를 반영합니다. 최근 몇 년 동안 개발된 CNN 기반 깊이 추정 방법은 깊이 추정 성능을 크게 향상시켰습니다. 하지만 복잡한 장면에서 다중 규모 구조를 고려하는 사람은 거의 없습니다.
본 논문에서는다중 스케일 구조를 사용한 심층적 정밀 예측을 위한 구조 인식 잔여 피라미드 네트워크(SARPN) 레이아웃을 표현하기 위해 상위 계층의 글로벌 장면 구조와 모양 세부 정보를 표현하기 위해 하위 계층의 로컬 구조를 표현하는 잔여 피라미드 디코더(RPD)를 제안합니다. 각 계층에서 예측된 잔여 맵의 잔여 세분화 모듈(RRM)이 제안되어 상위 계층에서 예측된 거친 구조에 점차 더 미세한 구조를 추가합니다. 다중 스케일 이미지의 특징을 최대한 활용하기 위해, 각 스케일의 효과적인 특징을 적응적으로 융합하여 각 스케일의 구조를 추론하는 적응적 고밀도 특징 융합(ADFF) 모듈을 제안한다. NYU-Depth v2 데이터 세트에 대한 실험 결과는 제안된 방법이 정성적, 정량적 평가 모두에서 최첨단 성능을 달성한다는 것을 보여줍니다.정밀도는 0.749, 재현율은 0.554, F1 점수는 0.630으로 나타났습니다.
가장 인기 있는 분야 3: 자연어 처리(NLP)
NLP 선정 논문 1
초록: 순환 신경망(RNN)은 텍스트 분류, 질의응답, 기계 번역을 포함한 자연어 처리(NLP) 분야에서 널리 사용됩니다. 일반적으로 RNN은 처음부터 끝까지만 검토할 수 있으며 긴 텍스트를 처리하는 능력이 부족합니다. 텍스트 분류 작업에서 긴 문서에 있는 많은 단어는 관련성이 없으므로 건너뛸 수 있습니다. 이러한 상황을 고려하여 본 논문의 저자는 다음과 같은 제안을 한다.향상된 LSTM:리프-LSTM.
Leap-LSTM은 텍스트를 읽을 수 있습니다단어 사이를 동적으로 전환합니다.각 단계에서 Leap-LSTM은 여러 개의 피처 인코더를 사용하여 이전 텍스트, 다음 텍스트, 현재 단어에서 정보를 추출한 다음 현재 단어를 건너뛸지 여부를 결정합니다. AGNews, DBPedia, Yelp F. Yelp P. 및 Yahoo를 포함한 5개의 벤치마크 데이터 세트에서Leap-LSTM의 예측 효과는 표준 LSTM보다 높고, Leap-LSTM은 더 빠른 판독 속도를 가지고 있습니다.
NLP 선정 논문 2
초록: 이 논문은 다음을 연구합니다.지식 그래프 임베딩을 기반으로 한 엔티티 정렬 문제.이전 연구는 주로 엔터티의 관계 구조에 초점을 맞추었고, 일부는 속성과 같은 다른 유형의 기능을 추가로 통합하여 세부화했습니다.
그러나 여전히 많은 수의 엔터티 기능이 동등하게 처리되지 않아 임베딩 기반 엔터티 정렬의 정확성과 견고성이 저하됩니다.
본 논문에서는 새로운 프레임워크를 제안한다.엔터티에 맞춰진 임베딩을 학습하기 위해 엔터티의 여러 뷰를 통합합니다.구체적으로 이 논문에서는 엔터티 이름, 관계, 속성에 대한 뷰를 기반으로 엔터티를 내장하기 위해 여러 가지 결합된 전략을 사용합니다.
또한, 본 논문에서는 두 지식 그래프 간의 정렬을 강화하기 위해 몇 가지 교차 지식 그래프 추론 방법을 설계합니다. 실제 데이터 세트에 대한 실험은 이 프레임워크의 성능이 가장 진보된 임베딩 기반 엔터티 정렬 방법보다 훨씬 더 우수하다는 것을 보여줍니다. 선택된 뷰, 교차 지식 그래프 추론, 조합 전략은 모두 향상된 성능에 기여합니다.
-- 위에--