Haberler AAAI 2019 Didi, yayınlanan kağıtları dahil etti
AI Teknolojisi İncelemesi Haberlere göre AAAI 2019, 27 Ocak - 1 Şubat tarihleri arasında ABD'nin Hawaii kentinde yapılacak. İstatistiklere göre, konferans 7.700'den fazla geçerli başvuru aldı, bunlardan 7.095 bildiri inceleme sürecine girdi ve 1150 bildiri kabul edildi ve kabul edildi. Oran, son yılların en düşük oranı, sadece% 16,2. Didi ayrıca yakın zamanda en iyi AI akademik konferansına dahil olan 4 makaleyi duyurdu.Kağıtların içeriği derin öğrenme, üretken yüzleşme ağları, sinir ağları ve diğer teknik yönergeleri içeriyor.
Dört bildiri aşağıdaki gibidir:
-
Araç Çağıran Talep Tahmini için Zaman-Zamanlı Çok Grafikli Evrişim Ağı
Bölgesel talep tahmini, çevrimiçi araç karşılama hizmetlerinin önemli bir görevidir. Doğru sürüş talebi tahmini, araç planlamasına rehberlik edebilir, araç kullanımını iyileştirebilir, bekleme süresini azaltabilir ve trafik sıkışıklığını hafifletebilir. Bu görev, bölgeler arasındaki karmaşık zamansal ve mekansal bağımlılıklar nedeniyle zordur. Mevcut yöntemler esas olarak uzaydaki bitişik bölgeler arasındaki Öklid ilişkisinin modellenmesine odaklanır. Uzun mesafeli bölgeler arasındaki Öklid dışı ikili ilişkinin de doğru tahmin için çok önemli olduğunu gözlemledik. Bu makalede, araç talep tahmini için yeni bir derin öğrenme modeli türü olan uzamsal-zamansal çok grafikli evrişimli ağ (ST-MGCN) öneriyoruz. Önce bölgeler arasındaki Öklid dışı ikili korelasyonları birden çok grafiğe kodlar ve ardından bu korelasyonları modellemek için grafik evrişimi kullanırız. Çevresel bilgileri zaman korelasyon modellemesinde kullanmak için, farklı tarihsel verileri yeniden ağırlıklandırmak için tekrarlayan sinir ağını geliştirmek için çevreye duyarlı geçit mekanizmasını kullanan Çevresel Geçitli Tekrarlayan Sinir Ağı'nı (CGRNN) önerdik. Modeli Pekin ve Şanghay'daki gerçek veri kümelerinde değerlendirdik ve bu da tahmin doğruluğunu referans değerine göre% 10 artırdı.
Kentsel bilgi işlemin özelliklerinden biri, kentsel verilerin çeşitliliğidir.Çok modlu veriler, bir şehrin tüm yönlerini farklı açılardan gösterir. Bu veriler birbiriyle ilişkilidir ve yakından ilişkilidir. Kentsel tahmin problemlerinde çok modlu verilerin rasyonel kullanımı, tahmin modelinin daha fazla bilgi elde etmesine ve tahmin modelinin performansını daha eksiksiz hale getirmesine izin verebilir. Çok modlu verilerin kullanımında pek çok güçlük vardır.Bu makalede kullanılan çok modlu veriler (POI, yol ağı) zaman boyutunda statik olduğundan, zaman serisi tahmin problemlerinde kullanılması zordur. Birçok model, bunları yapay özellikler olarak doğrusal modellere veya derin öğrenme modellerine ekler ve bu etki tatmin edici değildir. ST-MGCN, çok modlu verilerin kullanımı için yeni bir fikir önermektedir. "Çoklu harita" biçiminde, bu veriler, mekansal özelliklerin çıkarılmasını daha makul ve etkili hale getirebilen modelin bir yapısı olarak ifade edilmektedir. "Çoklu grafikler" fikrini diğer modellere (ST-GCN, DCRNN) uyguladık ve aynı tahmin probleminde önemli gelişme sağladık. ST-MGCN, yalnızca çevrimiçi araba selamlama platformlarının sipariş hacmini tahmin etmek için derin bir öğrenme modeli değildir. Kentsel çok-modlu verileri ifade etmenin yeni bir yolunu sunar ve kentsel bilgi işlemdeki diğer uzay-zamansal tahminlerde yaygın olarak kullanılabilir. görev.
-
Anlamsal Benzerliği Sorgu-POI Alaka Düzeyi Öğrenimi için Coğrafi Korelasyonla Birleştirme
POI alımı, çevrimiçi araç karşılama hizmetlerinde önemli bir rol oynar. Şu anda, POI alma ve sıralama yöntemlerinin çoğu Sorgu ve POI'nin metin benzerliğine dayanmaktadır. Metin benzerliği, Sorgu ve İÇN arasındaki ilişkiyi sezgisel olarak yansıtır, ancak tek bir metin benzerliği, Sorgu ve İÇN arasındaki ilişkiyi tam olarak tanımlayamaz. Bu nedenle, bu makale daha etkili bir Sorgu-POI korelasyon öğrenme yöntemi önermektedir. Mevcut yöntemlerle karşılaştırıldığında, bu makale Sorgu-POI çiftlerinin metin benzerliğini ifade etmek için çok taneli metin özelliklerini kullanır; Buna ek olarak, çevrimiçi araç selamlama senaryosunda, başlangıç noktası ile bitiş noktası arasındaki coğrafi konum ilişkisi göz ardı edilemez. POI alma modelinde konum ilişkisi kullanılır. Metin özelliklerini ve coğrafi özellikleri birleştirerek, bu yöntem POI sıralama görevlerinde daha iyi sonuçlar elde etti; Bu makale, bu yöntemin etkisini doğrulamak için iki gerçek tıklama veri kümesi kullanır ve deneysel sonuçlar, bu yöntemin diğer yöntemlerden daha iyi olduğunu göstermektedir.
Bu makale, metin özelliklerine ve coğrafi özelliklere dayalı bir Sorgu-POI korelasyon öğrenme yöntemi önermektedir ve POI alımı için kullanılmaktadır. Bu makalenin üç ana katkısı vardır: Birincisi, bu makale metin özelliklerini karakterize etmek için çok parçalı metin gösterimi ve öz-dikkat ve karşılıklı dikkat mekanizmasını kullanır; ikincisi, bu makale POI alma görevine coğrafi bilgileri tanıtır ve iki coğrafi bilgi temsil yöntemi önerir. Bu makale, Query-POI'nin korelasyon öğrenimini tamamlamak için metin özelliklerini birleştirir; Son olarak, bu makale model etkisini doğrulamak için iki büyük ölçekli gerçek tıklama veri seti kullanır.Deneysel sonuçlar, bu makaledeki yöntemin diğer karşılaştırma yöntemlerini aştığını ve Chengdu veri setinin herkese açık olarak indirilebileceğini göstermektedir. Bu makaledeki yöntemin, bu makalede bahsedilen çevrimiçi araç selamlama senaryoları, yerel hizmet arama, paket servis platformları ve diğer senaryolar dahil olmak üzere konum hizmetlerine dayalı POI alma hizmetlerinde yaygın olarak kullanılabileceğini belirtmek gerekir. Çevrimiçi araç selamlama senaryosunda, kullanıcıların POI alma sonuçları için daha yüksek gereksinimleri vardır ve bu senaryo daha iyi bir korelasyon modeli elde edebilir, bu nedenle bu makale, bu yöntemin uygulama senaryosu olarak çevrimiçi araç selamlama senaryosunu da kullanır.
-
CycleEmotionGAN: Duygusal Anlamsal Tutarlılık Görüntü Duygularını Uyarlamak İçin Korunmuş CycleGAN
Bu makalenin araştırma amacı, etiketli bir veri kümesi (genellikle kaynak etki alanı olarak adlandırılır) üzerinde eğitilmiş bir modelin etiketlenmemiş bir hedef veri kümesine (genellikle hedef etki alanı olarak adlandırılır) geçişini ifade eden etki alanı uyarlanabilirlik sorunudur ve tahmini başarıyla tamamlar . Bu problemin zorluğu, hedef alanın dağılım özelliklerinin genellikle kaynak alanın dağılım özelliklerinden farklı olmasıdır.Geleneksel derin öğrenme modellerinin eğitim sürecinde, etiket sınıflandırma becerisi öğrenilirken kaynak alanın dağılım özellikleri genellikle modele kodlanır. Bu nedenle, hedef etki alanındaki kaynak etki alanında eğitilen modelin performansını sınırlar. Yukarıdaki zorlukları hedefleyen bu makale, geliştirilmiş semantik tutarlılığa dayalı tekrarlayan bir nesil yüzleşme ağı modeli önermekte ve semantik etiket sınıflandırma kabiliyetini korurken yenilikçi bir şekilde semantik tutarlılık kaybı fonksiyonu ve hedef sınıflandırma kaybı fonksiyonunu tanıtmaktadır, farklı alanların dağılımını mümkün olduğu kadar azaltır. Özelliklerin model üzerindeki etkisi, kaynak alan modelinin hedef alan verileri üzerindeki sınıflandırma yeteneğini daha da geliştirmektedir. Duygusal bilgi işlem alanında etki alanına yönelik uyarlanabilir araştırmanın ilk çalışması olarak, iki ana akım duygusal hesaplama veri seti üzerinde sistematik ve kapsamlı deneyler gerçekleştirdik. Deneysel sonuçlar, önerilen yöntemin yayınlanan ana akım yöntemlerini geride bıraktığını gösteriyor. Ve en iyi sonuçları elde etti. Gelecekte, ilgili çalışmaları trafik sahnesi tanıma ve hedef tespiti alanlarına uygulamaya ve farklı senaryolarda alan uyarlanabilirlik sorunlarının çözümünü teşvik etmeye çalışacağız.
-
Derin Sinir Ağlarının Duyarlılık Analizi
Derin sinir ağları (DNN), çeşitli tahmin görevlerinde mükemmel performans elde ettiler, ancak rakip örneklerden veya rahatsızlıklardan kolayca etkilenirler. Bu nedenle, pratik uygulamalarda DNN'nin çeşitli rahatsızlık türlerine karşı hassasiyetini ölçmek çok önemlidir. Çeşitli rahatsızlıkların DNN sınıflandırıcı üzerindeki etkisini ölçmek için yeni bir rahatsızlık manifoldu ve bununla ilgili etki önlemlerini sunuyoruz. Bu bozukluklar, giriş örneklerine ve ağ parametrelerine yönelik çeşitli harici ve dahili bozuklukları içerir. Önerdiğimiz metrik, bilgi geometrisinden esinlenmiştir ve gerekli değişmezlik özelliklerine sahiptir. Etki ölçümümüzün dört model oluşturma görevi için çok yararlı olduğunu kanıtladık: potansiyel "aykırı değerleri" tespit etmek, model mimarisinin hassasiyetini analiz etmek, eğitim ve test setleri arasındaki ağ hassasiyetini karşılaştırmak ve savunmasız alanları bulmak . Deneyler, önerilen metriğin CIFAR10 ve MNIST veri kümelerinde ResNet50 ve DenseNet121 gibi popüler DNN modellerinde oldukça iyi performansa sahip olduğunu göstermektedir.
