人工智慧頂級會議AAAI-17亮點前瞻：洞見人工智慧最前沿

機器之心原創

作者：Yuxi Li、微胖、李亞洲、吳攀

農曆新年後不久（2 月 4 日-2 月 9 日），我們就迎來了 2017 年人工智慧領域的首個重磅會議——AAAI-17，這也是第 31 屆 AAAI 人工智慧大會。

AAAI 的英文全稱是 Association for the Advance of Artificial Intelligence，目前的中文名仍為美國人工智慧協會。該協會是人工智慧領域的主要學術組織之一，其主辦的年會也是主要的頂級人工智慧學術會議之一。

AAAI 成立於 1979 年，成立時名為 American Association for Artificial Intelligence（美國人工智慧協會），到 2007 年才正式更名為 Association for the Advancement of Artificial Intelligence（意為：人工智慧進步協會）。該組織在全球有超過 4000 名會員。計算機科學領域的許多著名人物都曾擔任過該組織的主席，其中包括 Allen Newell、Edward Feigenbaum、Marvin Minsky 和 John McCarthy。

AAAI 的會士（Fellow）是人工智慧領域的一大殊榮。據 AAAI 官網介紹，目前 AAAI 共有 232 名會士，其中許多都是人工智慧領域知名的大牛級人物，包括艾倫人工智慧研究所 CEO Oren Etzioni、華盛頓大學計算機科學與工程系教授及《主演算法》作者 Pedro Domingos、伯克利教授及《人工智慧——一種現代方法》作者 Stuart Russell；此外值得一提的是香港科技大學計算機科學與工程學系系主任、第四範式聯合創始人、首席科學家楊強教授是全球首位躋身這一榮譽的華人科學家。

本屆大會 AAAI-17 將在美國舊金山舉辦，包含有研討會（workshop）、教程（tutorial）、博士生論壇（doctoral consortium）、技術項目（technical program）。

為了向大家傳播更加優質的會議內容，機器之心做了多手準備，既邀請了業內專家為大家做亮點推薦，也安排了專業分析師為大家做深度的報道，敬請期待。

本文就是在 AAAI-17 剛剛開幕之際，我們邀請 Yuxi Li 博士做的看點集錦。Yuxi Li 博士是加拿大阿爾伯塔大學計算機系博士、博士後，致力於深度學習、強化學習、機器學習、人工智慧等前沿技術的研究及其應用。曾任電子科技大學副教授，還曾在美國波士頓任資深數據科學家等。機器之心在過年期間編譯、推薦了Yuxi Li博士的最新論文《Deep Reinforcement Learning: An Overview》（參考：專題 深度強化學習綜述：從AlphaGo背後的力量到學習資源分享（附論文））

以下為 Yuxi Li 博士推薦的 Panel、Invited Talk，也推薦了一些 Paper Session 與論文。

Panel

世界上最強的德州撲克計算機程序在哪裡？可以說就在加拿大阿爾伯塔大學和美國卡內基梅隆大學。阿爾伯塔大學 Michael Bowling 教授參與指導的DeepStack程序和卡內基梅隆大學 Tuomas Sandholm 教授參與指導的Libratus程序都取得了突破。這個結果也會對不完全信息博弈有深遠影響。本次會議上的 Advances in AI in Poker: Two Mini-Talks on Recent Breakthroughs and a Panel 不容錯過。

Advances in AI in Poker: Two Mini-Talks on Recent Breakthroughs and a Panel

主持人: Kevin Leyton-Brown（加拿大 UBC 大學）

專家: Michael Bowling（加拿大阿爾伯塔大學）、Tuomas Sandholm（卡內基梅隆大學）

時間：當地時間 2 月 9 日 8:00 – 8:45 AM

AAAI-17 / IAAI-17 INVITED SPEAKERS

1、Peter Dayan（Gatsby Unit, 英國倫敦大學學院）

Peter Dayan 是強化學習領域的知名研究人員。他將從神經學和人工智慧兩個方面討論強化學習。他的講座值得期待。

神經與人工強化學習的一致性（The Consilience of Neural and Artificial Reinforcement Learning）

時間：當地時間 2 月 7 日 5:10 – 6:10 PM

介紹：那些無法通過懲罰與獎勵機制對事件進行預測或控制的動物無法長存於世上。因此，強化學習提供了一套組織、激發心理學和神經科學大量研究的理論。同樣，這些學科也為更為廣泛的強化學習領域裡的新方法、想法和問題提供了靈感。我將討論這一契合，例證這些研究進路的豐富多彩以及前面所面臨的一些挑戰與機遇。

Peter Dayan 曾在劍橋大學學習數學，在匹茲堡大學完成了計算神經科學博士學位，導師 David Willshaw，之後又在索爾克研究院完成博士後研究，導師為 Terry Sejnowski 以及多倫多大學的 Geoff Hinton。在 MIT 做了三年助理教授後，1998 年，他幫助成立了 UCL 的蓋茨比計算神經科學部（Gatsby Computational Neuroscience Unit），2002 年成為該部門負責人。他的研究興趣集中在神經處理的數學和計算模型，特別關注表徵、學習和決策。

2、Steve Young（英國劍橋大學工程系）

英國劍橋大學 Steve Young 教授領導的語音對話系統研究在世界上數一數二。他的 Statistical Spoken Dialogue Systems and the Challenges for Machine Learning 的講座不容錯過。

統計口語對話系統及機器學習的挑戰（Statistical Spoken Dialogue Systems and the Challenges for Machine Learning）

時間：當地時間 2 月 7 日 8:50 – 9:50 AM

介紹：該講座將會概述口語對話系統（spoken dialogue system）的主要組件，而後討論應用機器學習建立穩健的、高性能開域系統的機遇。講座的內容將會使用劍橋大學近期的工作進行闡釋，他們使用機器學習進行 belief tracking、獎勵估計、多域策略學習和自然語言生成。講座還會討論將這些解決方案延展到實際系統時會面臨的關鍵挑戰。

Steve Young 是劍橋大學信息工程系教授，也是蘋果在劍橋的 Siri 開發團隊成員之一。他的主要研究興趣在於統計口語系統領域，包括語音識別、語音合成與對話管理。他獲有多項榮譽，包括 IEEE Signal Processing Society Technical Achievement Award、ISCA Medal for Scientific Achievement、IEEE James L Flanagan Speech and Audio Processing Award。他是皇家工程院院士、IEEE 會士。

3、 Dmitri Dolgov（谷歌）

自動駕駛是一個熱門話題。來自原谷歌自動駕駛團隊的報告值得期待。

聯合應邀講座：自動駕駛汽車以及移動的未來（Joint Invited Talk: Self-Driving Cars and the Future of Mobility））

時間：當地時間 2 月 8 日 8:50 – 9:50 AM

4、David W. Aha（美國 Naval 研究室）

推理是實現強人工智慧的重要環節，也是目前深度學習的薄弱環節。

目標推理：新興應用、基礎和前景（Goal Reasoning: Emerging Applications, a Foundation, and Prospects）

兩個機器人講座

機器人在工業生活中已經有了很多應用，以後也會繼續對社會各個方面有很多影響。下面兩個講座討論機器人相關話題。

1.Ayanna Howard（喬治亞理工學院）

為兒科護理設計助理機器人和技術（Designing Assistive Robots and Technologies for Pediatric Care）

時間：當地時間 2 月 5 日 9:05 – 10:05 AM

2.Russ Tedrake（MIT CSAIL 實驗室、豐田研究所）

在真實世界中的動態機器人的凸優化和組合優化（Convex and Combinatorial Optimization for Dynamic Robots in the Real World）

時間：當地時間 2 月 9 日 8:50 – 9:50 AM

其他值得關注

1.Kristen Grauman（德克薩斯大學奧斯汀分校）

從未標記視頻中學習如何移動和看哪裡（Learning How to Move and Where to Look from Unlabeled Video）

時間：當地時間 2 月 8 日 4:00 – 5:00 PM

2.Rosalind Picard（MIT 和 Empatica, USA）

構建情感智能技術中的冒險（Adventures in Building Emotional Intelligence Technologies）

時間：當地時間 2 月 6 日 9:00 – 9:50 AM

3.Jeremy Frank（NASA 阿姆斯特丹研究中心智能系統部門）

利用人工智慧讓自動化太空任務運行成為可能（Enabling Autonomous Space Mission Operations with Artificial Intelligence）

時間：當地時間 2 月 7 日 10:00 – 11:00 AM

4.Lynne Parker（田納西大學，美國國家科學基金會）

下面的報告討論了白宮人工智慧報告的產生過程。

美國國家人工智慧研究與發展戰略計劃的產生過程（The Creation of the US National Artificial Intelligence Research and Development Strategic Plan）

時間：當地時間 2 月 5 日 8:00 – 9:00 PM

Paper Sessions 與論文

最後，Yuxi Li 博士主要根據方向和作者也推薦了一些 Paper Sessions 和論文。其中一些論文可能現在還看不到。

時間：當地時間 2 月 6 日

10:00 - 11:00am

NLP：語義和總結（Semanics and Summarization）

MLA1：推薦系統（Recommender Systems）

ML：優化（Optimization）

論文：可擴展多任務策略梯度強化學習（Scalable Multitask Policy Gradient Reinforcement Learning）

作者：Salam El Bsat, Haitham Bou Ammar, Matthew E. Taylor

論文：用於分布式凸優化的通信下界：特徵上的分區數據（Communication Lower Bounds for Distributed Convex Optimization: Partition Data on Features）

作者：Zihao Chen, Luo Luo, Zhihua Zhang

AIW：用於多媒體和多模網頁應用的人工智慧（AI for Multimedia and Multimodal Web Applications）

論文：用於異構多媒體檢索的傳遞哈希網路（Transitive Hashing Network for Heterogeneous Multimedia Retrieval）

作者：Zhangjie Cao, Mingsheng Long, Jianmin Wang, Qiang Yang

11:30am - 12:30pm

MLA2:圖像和視頻（Images and video）

ML:大數據/可擴展性（Big Data / Scalability）

2:00 - 3:30pm

NLP2：學習（Learning）

MLA3：機器學習應用（Machine Learning Applications）

ML：遷移，適應性，多任務學習（Transfer; Adaptation; Multitask Learning）

論文：Learning Safe Prediction for Semi-Supervised Regression

作者：Yu-Feng Li, Han-Wen Zha, Zhi-Hua Zhou

論文：Distant Domain Transfer Learning

作者：Ben Tan, Yu Zhang, Sinno Jialin Pan, Qiang Yang

論文：Deep Learning for Fixed Model Reuse

作者：Yang Yang, De-Chuan Zhan, Ying Fan, Yuan Jiang, Zhi-Hua Zhou

當地時間：周二，2 月 7 日

10:00 - 11:00am

NLP3: Parsing and Translation

MLA4: Applications of Deep Learning/Neural Networks

VIS5: Deep Learning for Vision

ML: Optimization

論文： A Nearly-Black-Box Online Algorithm for Joint Parameter and State Estimation in Temporal Models,

作者：Yusuf B. Erol, Yi Wu, Lei Li, Stuart Russell

11:30am - 12:30pm

NLP4: Learning

ML: Reinforcement Learning

2:00 - 3:30pm

MLA6: Deep Learning/ Neural Networks

NLP: Information Extraction

NLP: Learning

論文：Multiresolution Recurrent Neural Networks: An Application to Dialogue Response Generation

作者：Iulian Vlad Serban, Tim Klinger, Gerald Tesauro, Kartik Talamadupula, Bowen Zhou, Yoshua Bengio, Aaron Courville

ML: Reinforcement Learning

論文：Policy Search with High-Dimensional Context Variables

作者：Voot Tangkaratt, Herke van Hoof, Simone Parisi, Gerhard Neumann, Jan Peters, Masashi Sugiyama

4:00-5:00pm

ML: Deep Learning/Neural Networks

NLP: Text Mining

當地時間：周三，February 8

10:00 - 11:00am

SCTOGS1: Language understanding and dialogue

ML: Deep Learning/Neural Networks

論文：Universum Prescription: Regularization Using Unlabeled Data

作者：Xiang Zhang, Yann LeCun

論文：Label-Free Supervision of Neural Networks with Physics and Domain Knowledge

作者：Russell Stewart, Stefano Ermon

論文：When and Why Are Deep Networks Better than Shallow Ones?

作者：Hrushikesh Mhaskar, Qianli Liao, Tomaso Poggio

論文：Denoising Criterion for Variational Auto-Encoding Framework

作者：Daniel Jiwoong Im, Sungjin Ahn, Roland Memisevic, Yoshua Bengio

11:30am - 12:30pm

ML8: Data Mining and Knowledge Discovery

論文：Streaming Classification with Emerging New Class by Class Matrix Sketching

作者：Xin Mu, Feida Zhu, Juan Du, Ee-Peng Lim, Zhi-Hua Zhou

論文：Discover Multiple Novel Labels in Multi-Instance Multi-Label Learning

作者：Yue Zhu, Kai Ming Ting, Zhi-Hua Zhou

論文：Deep MIML Network

作者：Ji Feng, Zhi-Hua Zhou

2.RU: Sequential Decision Making

2:00 - 3:30pm

NLP5: Applications

論文：Unsupervised Learning of Evolving Relationships between Literary Characters

作者：Snigdha Chaturvedi, Mohit Iyyer, Hal Daumé III

ROB1: Robotics

NLP: Knowledge Representation and Semantics

論文：Neural Machine Translation with Reconstruction,

作者：LZhaopeng Tu, Yang Liu, Lifeng Shang, Xiaohua Liu, Hang Li

當地時間：周四，2 月 9 日

10:00 - 10:54am

APP: Deep Learning

論文：Query-Efficient Imitation Learning for End-to-End Simulated Driving,

作者：Jiakai Zhang, Kyunghyun Cho

NLP: Semantics and Summarization

11:30am - 12:42pm

MLA: Machine Learning Applications

ML: Semisupervised Learning

MLA: Applications

本文為機器之心原創，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

您的贊是小編持續努力的最大動力，動動手指贊一下吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 機器之心 的精彩文章: