作為被中國(guó)計(jì)算機(jī)學(xué)會(huì)的國(guó)際學(xué)術(shù)會(huì)議排名以及清華大學(xué)的計(jì)算機(jī)科學(xué)推薦學(xué)術(shù)會(huì)議和期刊列表中同時(shí)列為人工智能領(lǐng)域的A類頂級(jí)會(huì)議，人工智能領(lǐng)域的最重磅會(huì)議之一，第三十四屆美國(guó)人工智能協(xié)會(huì)會(huì)議AAAI 于2月7日在美國(guó)紐約正式拉開(kāi)帷幕，大會(huì)聚集了全球頂尖的人工智能領(lǐng)域?qū)＜覍W(xué)者，可謂是人工智能領(lǐng)域的科研風(fēng)向標(biāo)。

據(jù)了解，AAAI 2020大會(huì)已經(jīng)收到了各國(guó)研究者投來(lái)的9200余篇論文摘要，這一數(shù)字已經(jīng)超過(guò)了去年大會(huì)的150％。截止論文提交日期，共有7737 篇論文進(jìn)入評(píng)審環(huán)節(jié)，但最終錄取數(shù)量?jī)H僅只有1591篇，錄取率為20．6％，在所有評(píng)審中有接近70．5％的論文（即5453篇）都是由學(xué)生完成。

本屆會(huì)議注冊(cè)參會(huì)人數(shù)達(dá)到4000多人，但由于疫情在中國(guó)的影響，多達(dá)800名中國(guó)注冊(cè)人員無(wú)法參會(huì)。AAAI組委會(huì)也面向中國(guó)學(xué)者做出了相應(yīng)調(diào)整，允許實(shí)時(shí)在線報(bào)告或錄制視頻。據(jù)統(tǒng)計(jì)，我國(guó)AI論文投稿文章數(shù)量多達(dá)3189篇，位居榜首，占到總投稿的41％（3189／7737），錄取論文占到總錄取文章的37％，且錄取論文比美國(guó)多222篇。

清華奪得最佳學(xué)生論文

其中，最佳論文由艾倫人工智能研究院和華盛頓大學(xué)的研究者獲得，而清華姚班首屆門(mén)生貝小輝和姚班本科生李子豪發(fā)表的《可分割與不可分割商品混合情況下的公平分配》，攻克了算法博弈難題，摘得最佳學(xué)生論文。

從各種研究課題來(lái)看，機(jī)器學(xué)習(xí)仍然是人工智能領(lǐng)域最火熱的探索重點(diǎn)，其次是計(jì)算機(jī)視覺(jué)研究、自然語(yǔ)言處理和應(yīng)用。

百度被收錄28篇論文

本屆大會(huì)中，百度共有28篇論文被收錄。在NLP預(yù)訓(xùn)練領(lǐng)域，百度入選論文《ERNIE 2．0： A Continual Pre－training Framework for Language Understanding》同時(shí)也被選做Oral進(jìn)行展示。ERNIE2．0是持續(xù)學(xué)習(xí)的語(yǔ)義理解框架，可以在海量數(shù)據(jù)中逐步學(xué)習(xí)知識(shí)，不斷提高語(yǔ)義理解效果。通過(guò)ERNIE2．0，知識(shí)可以被添加到預(yù)訓(xùn)練任務(wù)形式的框架中，每當(dāng)引入新的任務(wù)，該框架可以學(xué)習(xí)與訓(xùn)練同時(shí)進(jìn)行。基于該框架，Ernie2．0模型通過(guò)命名實(shí)體預(yù)測(cè)、句子排序結(jié)構(gòu)重建、語(yǔ)義邏輯關(guān)系預(yù)測(cè)等預(yù)訓(xùn)練任務(wù)，從大規(guī)模訓(xùn)練數(shù)據(jù)中獲取詞匯、句法、語(yǔ)義等維度的知識(shí)，大大提高了一般語(yǔ)義理解水平。

機(jī)器閱讀理解領(lǐng)域，百度入選論文《A Robust Adversarial Training Approach to Machine Reading Comprehension》，討論了機(jī)器閱讀理解模型面臨對(duì)抗攻擊時(shí)的效果魯棒性問(wèn)題以及安全問(wèn)題。通過(guò)手動(dòng)操作發(fā)現(xiàn)，總結(jié)和產(chǎn)生對(duì)樣本的訓(xùn)練方法將需要人工干預(yù)的方式，并且不可能通過(guò)規(guī)則的方式列舉所有可能的對(duì)抗樣品類型和規(guī)則。論文提出了一種模型驅(qū)動(dòng)的方法，它可以自動(dòng)識(shí)別未觀察到的對(duì)抗樣本類型，并最終提高閱讀理解的魯棒性并且無(wú)需人工參與。

經(jīng)實(shí)驗(yàn)驗(yàn)證，運(yùn)用論文中的對(duì)抗訓(xùn)練方法后，在不同的對(duì)抗數(shù)據(jù)集上均有非常顯著的效果提升。并且發(fā)現(xiàn)模型驅(qū)動(dòng)的方法確實(shí)能夠產(chǎn)生對(duì)更豐富的對(duì)抗樣本，從而補(bǔ)充人工制定規(guī)則的缺失部分。同時(shí)，還發(fā)現(xiàn)使用該方法生成的對(duì)抗性樣本案例仍然比較雜亂，不具備良好的流暢性甚至完全不自然的語(yǔ)言，因此目前的對(duì)抗性生成方法仍有很大的改進(jìn)空間。

在計(jì)算機(jī)視覺(jué)領(lǐng)域，百度入選論文《ZoomNet： Part－Aware Adaptive Zooming Neural Network for 3D Object Detection》。論文提出了雙目3D檢測(cè)框架ZoomNet，通過(guò)精巧地利用自適應(yīng)縮放，以減少深度估計(jì)誤差距離，包括學(xué)習(xí)部位特征來(lái)進(jìn)一步提高3D檢測(cè)的性能。

論文指出，對(duì)于每個(gè)實(shí)例，ZoomNet獲得有關(guān)邊界框后，細(xì)粒度分析的第一個(gè)例子在的2D完成。然后，前景像素將在2D轉(zhuǎn)換成3D空間回歸姿態(tài)進(jìn)行投影。充分利用了RGB圖像及時(shí)更準(zhǔn)確的視差估計(jì)的質(zhì)感豐富的優(yōu)勢(shì)，ZoomNet引入了一個(gè)簡(jiǎn)單的模塊化概念 － 自適應(yīng)縮放。模塊，該模塊同時(shí)將2D實(shí)例邊界框的大小調(diào)整為統(tǒng)一的分辨率，并相應(yīng)對(duì)相機(jī)的內(nèi)部參數(shù)調(diào)整，以達(dá)到更高質(zhì)量的視差圖。

寫(xiě)在最后

AI作為引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，我國(guó)永遠(yuǎn)不缺少在人工智能領(lǐng)域的探索先鋒。并且隨著大數(shù)據(jù)、人工智能和云計(jì)算等最新技術(shù)的創(chuàng)新發(fā)展，科技巨頭們也正積極布局AI產(chǎn)業(yè)生態(tài)鏈，逐步推動(dòng)AI技術(shù)商用場(chǎng)景落地，相信2020年AI的相關(guān)產(chǎn)業(yè)也將如火如荼的發(fā)展。