受全球范圍疫情爆發(fā)的影響，原定于4月25日在埃塞俄比亞首都亞的斯亞貝巴舉行的人工智能頂會 ICLR 2020，宣布取消線下會議，完全改為線上。此前，2月7日在美國紐約舉辦的人工智能頂級會議AAAI2020，也采取了部分線上模式，讓不能到場的學(xué)者遠(yuǎn)程參會。

雖然疫情讓這些人工智能頂會充滿變數(shù)，但絲毫不影響全球人工智能學(xué)者和研究人員的熱情，他們提交了大量重要研究成果的論文。優(yōu)必選悉尼大學(xué)人工智能研究中心今年也有數(shù)篇論文被人工智能頂會接收，其中，ICLR 2020有2篇，AAAI 2020有4篇，CVPR 2020有12篇。

ICLR（國際學(xué)習(xí)表征會議）于2013年成立，由Lecun，Hinton和Bengio三位神經(jīng)網(wǎng)絡(luò)的元老聯(lián)手發(fā)起。近年來隨著深度學(xué)習(xí)在工程實(shí)踐中的成功，ICLR也在短短的幾年中發(fā)展成為了神經(jīng)網(wǎng)絡(luò)的頂會。

今年，ICLR共收到了2594篇論文投稿，相比去年的1591篇論文投稿，增加了38.7%，其中687篇論文被接收，優(yōu)必選悉尼大學(xué)人工智能中心有2篇論文被接收。

一：分段線性激活實(shí)質(zhì)上塑造了神經(jīng)網(wǎng)絡(luò)的損失平面

摘要：理解神經(jīng)網(wǎng)絡(luò)的損失平面對于理解深度學(xué)習(xí)至關(guān)重要。本文介紹了分段線性激活函數(shù)是如何從根本上塑造神經(jīng)網(wǎng)絡(luò)損失平面的。我們首先證明了許多神經(jīng)網(wǎng)絡(luò)的損失平面具有無限的偽局部極小值，這些偽局部極小值被定義為經(jīng)驗(yàn)風(fēng)險比全局極小值更高的局部極小值。我們的結(jié)果表明，分段線性激活網(wǎng)絡(luò)與已被人們充分研究的線性神經(jīng)網(wǎng)絡(luò)有著本質(zhì)區(qū)別。實(shí)踐中，這一結(jié)果適用于大多數(shù)損失函數(shù)中任何具有任意深度和任意分段線性激活函數(shù)（不包括線性函數(shù)）的神經(jīng)網(wǎng)絡(luò)。本質(zhì)上，基本假設(shè)與大多數(shù)實(shí)際情況是一致的，即輸出層比任何隱藏層都窄。此外，利用不可微分的邊界將具有分段線性激活的神經(jīng)網(wǎng)絡(luò)的損失平面分割成多個光滑的多線性單元。所構(gòu)造的偽局部極小值以底谷的形式集中在一個單元中：它們通過一條經(jīng)驗(yàn)風(fēng)險不變的連續(xù)路徑相互連接。對于單隱層網(wǎng)絡(luò)，我們進(jìn)一步證明了一個單元中的所有局部最小值均構(gòu)成一個等價類別;它們集中在一個底谷里;它們都是單元中的全局極小值。

二：理解遞歸神經(jīng)網(wǎng)絡(luò)中的泛化

摘要：在本文中，我們闡述了分析遞歸神經(jīng)網(wǎng)絡(luò)泛化性能的理論。我們首先基于矩陣1-范數(shù)和 Fisher-Rao 范數(shù)提出了一種新的遞歸神經(jīng)網(wǎng)絡(luò)的泛化邊界。Fisher-Rao 范數(shù)的定義依賴于有關(guān) RNN 梯度的結(jié)構(gòu)引理。這種新的泛化邊界假設(shè)輸入數(shù)據(jù)的協(xié)方差矩陣是正定的，這可能限制了它在實(shí)際中的應(yīng)用。為了解決這一問題，我們提出在輸入數(shù)據(jù)中加入隨機(jī)噪聲，并證明了經(jīng)隨機(jī)噪聲（隨機(jī)噪聲是輸入數(shù)據(jù)的擴(kuò)展）訓(xùn)練的一個泛化邊界。與現(xiàn)有結(jié)果相比，我們的泛化邊界對網(wǎng)絡(luò)的規(guī)模沒有明顯的依賴關(guān)系。我們還發(fā)現(xiàn)，遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的 Fisher-Rao 范數(shù)可以解釋為梯度的度量，納入這種梯度度量不僅可以收緊邊界，而且可以在泛化和可訓(xùn)練性之間建立關(guān)系。在此基礎(chǔ)上，我們從理論上分析了特征協(xié)方差對神經(jīng)網(wǎng)絡(luò)泛化的影響，并討論了訓(xùn)練中的權(quán)值衰減和梯度裁剪可以如何改善神經(jīng)網(wǎng)絡(luò)泛化。

今年首場人工智能頂會AAAI 2020已于2月份在美國紐約舉辦，共評審了 7737 篇論文，最終接收了 1591 篇，接收率為 20.6%，優(yōu)必選悉尼大學(xué)人工智能中心有4篇論文被接收。

一：閱讀理解中的無監(jiān)督域自適應(yīng)學(xué)習(xí)

摘要：深度神經(jīng)網(wǎng)絡(luò)模型在很多閱讀理解（RC）任務(wù)數(shù)據(jù)集上已經(jīng)實(shí)現(xiàn)顯著的性能提升。但是，這些模型在不同領(lǐng)域的泛化能力仍然不清楚。為彌補(bǔ)這一空缺，我們研究了閱讀理解任務(wù)（RC）上的無監(jiān)督域自適應(yīng)問題。研究過程中，我們在標(biāo)記源域上訓(xùn)練模型，并在僅有未標(biāo)記樣本的目標(biāo)域應(yīng)用模型。我們首先證明，即便使用強(qiáng)大的轉(zhuǎn)換器雙向編碼表征（BERT）上下文表征，在一個域上訓(xùn)練好的模型也不能在另一個域?qū)崿F(xiàn)很好的泛化能力。為了解決這個問題，我們提供了一種新的條件對抗自訓(xùn)練方法（CASe）。具體來說，我們的方法利用在源數(shù)據(jù)集上微調(diào)的 BERT 模型以及置信度過濾，在目標(biāo)域中生成可靠的偽標(biāo)記樣本以進(jìn)行自訓(xùn)練。另一方面，我們的方法通過跨域的條件對抗學(xué)習(xí)，進(jìn)一步減小了域之間的分布差異。大量實(shí)驗(yàn)表明，我們的方法在多個大規(guī)?；鶞?zhǔn)數(shù)據(jù)集上實(shí)現(xiàn)了與監(jiān)督模型相當(dāng)?shù)男阅堋?/p>

特征圖：方法框架

二：Grapy-ML：跨數(shù)據(jù)集人體解析的圖像金字塔相互學(xué)習(xí)

摘要：人體解析，即人體部位語義分割，因其具有廣泛的潛在應(yīng)用前景而成為一個研究熱點(diǎn)。在本文中，我們提出一種新的圖金字塔互學(xué)習(xí)（Grapy-ML）方法來解決標(biāo)注粒度不同的跨數(shù)據(jù)集的人體解析問題。從人體層次結(jié)構(gòu)的先驗(yàn)知識出發(fā)，我們將三層圖結(jié)構(gòu)按照粗粒度到細(xì)粒度的順序進(jìn)行疊加，設(shè)計(jì)出了一個新的圖金字塔模型（GPM）。GPM在每一層都會利用自關(guān)注機(jī)制對上下文節(jié)點(diǎn)之間的相關(guān)性進(jìn)行建模。然后，它采用了自上而下的機(jī)制來逐步細(xì)化各個層級的特征。GPM還使得高效的互學(xué)習(xí)成為可能。具體來說，為了在不同的數(shù)據(jù)集之間交換所學(xué)習(xí)到的粗粒度信息，我們共享了GPM前兩級的網(wǎng)絡(luò)權(quán)值并使用跨數(shù)據(jù)集的多粒度標(biāo)簽，使得所提出的Grapy-ML模型可以學(xué)習(xí)到更具區(qū)分性的特征表示并獲得了最先進(jìn)的性能。這點(diǎn)在三個流行基準(zhǔn)（例如：CIHP 數(shù)據(jù)集）的大量實(shí)驗(yàn)中得到了證明。源代碼已經(jīng)對外公開，參見：https://github.com/Charleshhy/Grapy-ML。

特征圖：提出的 Grapy-ML 圖

三：多元貝葉斯非負(fù)矩陣分解

摘要：由于具有誘導(dǎo)含有語義的基于部位的表示的能力，非負(fù)矩陣分解（NMF）已被廣泛應(yīng)用于各種場景。但是，由于其目標(biāo)函數(shù)的非凸性，部位分解通常不是唯一的，因此可能無法準(zhǔn)確地發(fā)現(xiàn)數(shù)據(jù)內(nèi)在的“部位”。在本文中，我們使用貝葉斯框架來處理這個問題。首先，基于有用部位應(yīng)該是有區(qū)別的且覆蓋性廣的假設(shè)，賦予分解中的多個部位多元性先驗(yàn)，從而來誘導(dǎo)分解部位的正確性。其次，包含這種多元性先驗(yàn)的貝葉斯框架被建立了起來。該框架得到的分解部位既有極大似然誘導(dǎo)的較高的數(shù)據(jù)適合度，又有多元性先驗(yàn)帶來的較高的可分離性。具體來說，多元性先驗(yàn)通過行列式點(diǎn)過程（DPP）建模，并無縫嵌入到貝葉斯 NMF 框架中。推斷基于蒙特卡洛馬爾可夫鏈（MCMC）的方法。最后，我們通過一個合成數(shù)據(jù)集和一個用于多標(biāo)簽學(xué)習(xí)（MLL）任務(wù)的實(shí)際數(shù)據(jù)集-MULAN-展示了該方法的優(yōu)越性。

特征圖：提議的架構(gòu)的圖示

四：生成-判別互補(bǔ)學(xué)習(xí)

摘要：目前最先進(jìn)的深度學(xué)習(xí)方法大多是對給定輸入特征的標(biāo)簽的條件分布進(jìn)行建模的判別法。這種方法的成功在很大程度上依賴于高質(zhì)量的帶標(biāo)簽的實(shí)例，此類實(shí)例并不容易獲得，特別是在候選類別數(shù)量增加的情況下。本文研究了互補(bǔ)學(xué)習(xí)問題。與普通標(biāo)簽不同，互補(bǔ)標(biāo)簽很容易獲得，因?yàn)樽⑨屍髦恍枰獮槊總€實(shí)例隨機(jī)選擇的候選類別提供一個“是/否”的答案。我們提出了一種生成-判別互補(bǔ)學(xué)習(xí)方法。該方法通過對條件（判別）分布和實(shí)例（生成）分布的建模，對普通標(biāo)簽進(jìn)行估計(jì)。我們將該方法稱為互補(bǔ)條件生成對抗網(wǎng)絡(luò)（CCGAN）。這種方法提高了預(yù)測普通標(biāo)簽的準(zhǔn)確性，并能夠在弱監(jiān)督的情況下生成高質(zhì)量的實(shí)例。除了大量的實(shí)證研究外，我們還從理論上證明，我們的模型可以從互補(bǔ)標(biāo)記數(shù)據(jù)中檢索出真實(shí)的條件分布。

特征圖：模型結(jié)構(gòu)

計(jì)算機(jī)視覺頂會CVPR 2020將于6月14日-19日在美國西雅圖舉行，今年的論文錄取率降至22.1%（2019年錄取率25.1%，2018年錄取率29.6% ）。雖然論文錄取難度逐年增大，但是優(yōu)必選悉尼大學(xué)人工智能中心在CVPR的成績依舊斐然，后續(xù)將會帶來12篇錄取論文的詳細(xì)介紹。