人工智能顶级会议AAAI-17亮点前瞻:洞见人工智能最前沿

机器之心原创

作者:Yuxi Li、微胖、李亚洲、吴攀

农历新年后不久(2 月 4 日-2 月 9 日),我们就迎来了 2017 年人工智能领域的首个重磅会议——AAAI-17,这也是第 31 届 AAAI 人工智能大会。

AAAI 的英文全称是 Association for the Advance of Artificial Intelligence,目前的中文名仍为美国人工智能协会。该协会是人工智能领域的主要学术组织之一,其主办的年会也是主要的顶级人工智能学术会议之一。

AAAI 成立于 1979 年,成立时名为 American Association for Artificial Intelligence(美国人工智能协会),到 2007 年才正式更名为 Association for the Advancement of Artificial Intelligence(意为:人工智能进步协会)。该组织在全球有超过 4000 名会员。计算机科学领域的许多著名人物都曾担任过该组织的主席,其中包括 Allen Newell、Edward Feigenbaum、Marvin Minsky 和 John McCarthy。

AAAI 的会士(Fellow)是人工智能领域的一大殊荣。据 AAAI 官网介绍,目前 AAAI 共有 232 名会士,其中许多都是人工智能领域知名的大牛级人物,包括艾伦人工智能研究所 CEO Oren Etzioni、华盛顿大学计算机科学与工程系教授及《主算法》作者 Pedro Domingos、伯克利教授及《人工智能——一种现代方法》作者 Stuart Russell;此外值得一提的是香港科技大学计算机科学与工程学系系主任、第四范式联合创始人、首席科学家杨强教授是全球首位跻身这一荣誉的华人科学家。

本届大会 AAAI-17 将在美国旧金山举办,包含有研讨会(workshop)、教程(tutorial)、博士生论坛(doctoral consortium)、技术项目(technical program)。

为了向大家传播更加优质的会议内容,机器之心做了多手准备,既邀请了业内专家为大家做亮点推荐,也安排了专业分析师为大家做深度的报道,敬请期待。

人工智能顶级会议AAAI-17亮点前瞻:洞见人工智能最前沿

本文就是在 AAAI-17 刚刚开幕之际,我们邀请 Yuxi Li 博士做的看点集锦。Yuxi Li 博士是加拿大阿尔伯塔大学计算机系博士、博士后,致力于深度学习、强化学习、机器学习、人工智能等前沿技术的研究及其应用。曾任电子科技大学副教授,还曾在美国波士顿任资深数据科学家等。机器之心在过年期间编译、推荐了Yuxi Li博士的最新论文《Deep Reinforcement Learning: An Overview》(参考:专题 | 深度强化学习综述:从AlphaGo背后的力量到学习资源分享(附论文))

以下为 Yuxi Li 博士推荐的 Panel、Invited Talk,也推荐了一些 Paper Session 与论文。

Panel

世界上最强的德州扑克计算机程序在哪里?可以说就在加拿大阿尔伯塔大学和美国卡内基梅隆大学。阿尔伯塔大学 Michael Bowling 教授参与指导的 DeepStack 程序和卡内基梅隆大学 Tuomas Sandholm 教授参与指导的 Libratus 程序都取得了突破。这个结果也会对不完全信息博弈有深远影响。本次会议上的 Advances in AI in Poker: Two Mini-Talks on Recent Breakthroughs and a Panel 不容错过。

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

  • 主持人: Kevin Leyton-Brown(加拿大 UBC 大学)

  • 专家: Michael Bowling(加拿大阿尔伯塔大学)、Tuomas Sandholm(卡内基梅隆大学)

  • 时间:当地时间 2 月 9 日 8:00 – 8:45 AM

AAAI-17 / IAAI-17 INVITED SPEAKERS

1、Peter Dayan(Gatsby Unit, 英国伦敦大学学院)

Peter Dayan 是强化学习领域的知名研究人员。他将从神经学和人工智能两个方面讨论强化学习。他的讲座值得期待。

  • 神经与人工强化学习的一致性(The Consilience of Neural and Artificial Reinforcement Learning)

  • 时间:当地时间 2 月 7 日 5:10 – 6:10 PM

介绍:那些无法通过惩罚与奖励机制对事件进行预测或控制的动物无法长存于世上。因此,强化学习提供了一套组织、激发心理学和神经科学大量研究的理论。同样,这些学科也为更为广泛的强化学习领域里的新方法、想法和问题提供了灵感。我将讨论这一契合,例证这些研究进路的丰富多彩以及前面所面临的一些挑战与机遇。

Peter Dayan 曾在剑桥大学学习数学,在匹兹堡大学完成了计算神经科学博士学位,导师 David Willshaw,之后又在索尔克研究院完成博士后研究,导师为 Terry Sejnowski 以及多伦多大学的 Geoff Hinton。在 MIT 做了三年助理教授后,1998 年,他帮助成立了 UCL 的盖茨比计算神经科学部(Gatsby Computational Neuroscience Unit),2002 年成为该部门负责人。他的研究兴趣集中在神经处理的数学和计算模型,特别关注表征、学习和决策。

2、Steve Young(英国剑桥大学工程系)

英国剑桥大学 Steve Young 教授领导的语音对话系统研究在世界上数一数二。他的 Statistical Spoken Dialogue Systems and the Challenges for Machine Learning 的讲座不容错过。

  • 统计口语对话系统及机器学习的挑战(Statistical Spoken Dialogue Systems and the Challenges for Machine Learning)

  • 时间:当地时间 2 月 7 日 8:50 – 9:50 AM

介绍:该讲座将会概述口语对话系统(spoken dialogue system)的主要组件,而后讨论应用机器学习建立稳健的、高性能开域系统的机遇。讲座的内容将会使用剑桥大学近期的工作进行阐释,他们使用机器学习进行 belief tracking、奖励估计、多域策略学习和自然语言生成。讲座还会讨论将这些解决方案延展到实际系统时会面临的关键挑战。

Steve Young 是剑桥大学信息工程系教授,也是苹果在剑桥的 Siri 开发团队成员之一。他的主要研究兴趣在于统计口语系统领域,包括语音识别、语音合成与对话管理。他获有多项荣誉,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 会士。

3、 Dmitri Dolgov(谷歌)

自动驾驶是一个热门话题。来自原谷歌自动驾驶团队的报告值得期待。

  • 联合应邀讲座:自动驾驶汽车以及移动的未来(Joint Invited Talk: Self-Driving Cars and the Future of Mobility))

  • 时间:当地时间 2 月 8 日 8:50 – 9:50 AM

4、David W. Aha(美国 Naval 研究室)

推理是实现强人工智能的重要环节,也是目前深度学习的薄弱环节。

  • 目标推理:新兴应用、基础和前景(Goal Reasoning: Emerging Applications, a Foundation, and Prospects)

两个机器人讲座

机器人在工业生活中已经有了很多应用,以后也会继续对社会各个方面有很多影响。下面两个讲座讨论机器人相关话题。

1.Ayanna Howard(乔治亚理工学院)

  • 为儿科护理设计助理机器人和技术(Designing Assistive Robots and Technologies for Pediatric Care)

  • 时间:当地时间 2 月 5 日 9:05 – 10:05 AM

2.Russ Tedrake(MIT CSAIL 实验室、丰田研究所)

  • 在真实世界中的动态机器人的凸优化和组合优化(Convex and Combinatorial Optimization for Dynamic Robots in the Real World)

  • 时间:当地时间 2 月 9 日 8:50 – 9:50 AM

其他值得关注

1.Kristen Grauman(德克萨斯大学奥斯汀分校)

  • 从未标记视频中学习如何移动和看哪里(Learning How to Move and Where to Look from Unlabeled Video)

  • 时间:当地时间 2 月 8 日 4:00 – 5:00 PM

2.Rosalind Picard(MIT 和 Empatica, USA)

  • 构建情感智能技术中的冒险(Adventures in Building Emotional Intelligence Technologies)

  • 时间:当地时间 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统部门)

  • 利用人工智能让自动化太空任务运行成为可能(Enabling Autonomous Space Mission Operations with Artificial Intelligence)

  • 时间:当地时间 2 月 7 日 10:00 – 11:00 AM

4.Lynne Parker(田纳西大学,美国国家科学基金会)

下面的报告讨论了白宫人工智能报告的产生过程。

  • 美国国家人工智能研究与发展战略计划的产生过程(The Creation of the US National Artificial Intelligence Research and Development Strategic Plan)

  • 时间:当地时间 2 月 5 日 8:00 – 9:00 PM

Paper Sessions 与论文

最后,Yuxi Li 博士主要根据方向和作者也推荐了一些 Paper Sessions 和论文。其中一些论文可能现在还看不到。

时间:当地时间 2 月 6 日

10:00 - 11:00am

  • NLP:语义和总结(Semanics and Summarization)

  • MLA1:推荐系统(Recommender Systems)

  • ML:优化(Optimization)

  • 论文:可扩展多任务策略梯度强化学习(Scalable Multitask Policy Gradient Reinforcement Learning)

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

  • 论文:用于分布式凸优化的通信下界:特征上的分区数据(Communication Lower Bounds for Distributed Convex Optimization: Partition Data on Features)

  • 作者:Zihao Chen, Luo Luo, Zhihua Zhang

  • AIW:用于多媒体和多模网页应用的人工智能(AI for Multimedia and Multimodal Web Applications)

  • 论文:用于异构多媒体检索的传递哈希网络(Transitive Hashing Network for Heterogeneous Multimedia Retrieval)

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

11:30am - 12:30pm

  • MLA2:图像和视频(Images and video)

  • ML:大数据/可扩展性(Big Data / Scalability)

2:00 - 3:30pm

  • NLP2:学习(Learning)

  • MLA3:机器学习应用(Machine Learning Applications)

  • ML:迁移,适应性,多任务学习(Transfer; Adaptation; Multitask Learning)

  • 论文:Learning Safe Prediction for Semi-Supervised Regression

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

  • 论文:Distant Domain Transfer Learning

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

  • 论文:Deep Learning for Fixed Model Reuse

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

当地时间: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

  • 论文: 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

  • 论文: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

  • 论文: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

当地时间:周三,February 8

10:00 - 11:00am

  • SCTOGS1: Language understanding and dialogue

  • ML: Deep Learning/Neural Networks

  • 论文:Universum Prescription: Regularization Using Unlabeled Data

  • 作者:Xiang Zhang, Yann LeCun

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

  • 作者:Russell Stewart, Stefano Ermon

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

  • 作者:Hrushikesh Mhaskar, Qianli Liao, Tomaso Poggio

  • 论文: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

  • 论文:Streaming Classification with Emerging New Class by Class Matrix Sketching

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

  • 论文:Discover Multiple Novel Labels in Multi-Instance Multi-Label Learning

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

  • 论文:Deep MIML Network

  • 作者:Ji Feng, Zhi-Hua Zhou

  • 2.RU: Sequential Decision Making

2:00 - 3:30pm

  • NLP5: Applications

  • 论文:Unsupervised Learning of Evolving Relationships between Literary Characters

  • 作者:Snigdha Chaturvedi, Mohit Iyyer, Hal Daumé III

  • ROB1: Robotics

  • NLP: Knowledge Representation and Semantics

  • 论文:Neural Machine Translation with Reconstruction,

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

当地时间:周四,2 月 9 日

10:00 - 10:54am

  • APP: Deep Learning

  • 论文: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

相关推荐