AMiner周刊第2期丨近期会议日程安排、会议论文推荐- 大数跨境

首页

AMiner周刊第2期丨近期会议日程安排、会议论文推荐

AMiner AI

2021-01-11

导读：AMiner周刊旨在帮助大家了解人工智能最新的学术会议动态，包括近期会议日程、会议论文推荐，会议资源分享，会

AMiner周刊旨在帮助大家了解人工智能最新的学术会议动态，包括近期会议日程、会议论文推荐，会议资源分享，会议数据研究等模块。

近期不可错过的会议日程

1.即将结束的论文截稿

IJCAI2021 ：2021年1月19日 19:59:59

ACL2021 ：2021年2月2日 19:59:59

ICML2021：2021年2月4日 19:59:59

2.即将开始的会议

AAAI 2021:2021年2月2日-9日

会议论文推荐

1.论文名称：Few-shot Human Motion Prediction via Learning Novel Motion Dynamics

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef277202f/?conf=ijcai2020

所属会议：IJCAI2020

推荐理由：

在人体运动预测是任务中，我们根据过去的观察结果来预测未来的运动。以往的方法依赖于获取骨架数据的大数据集，因此很难在有限的训练数据下推广到新的运动动态。在这项工作中，作者提出了一种新的方法，命名为运动预测网络（Motion Prediction Network，简称MoPredNet），用于少短（few-short）人类运动预测。MoPredNet可以适应使用有限数据预测新的运动动态，并且它能够捕捉运动动态的长期依赖性。具体来说，MoPredNet动态地选择流式运动数据中信息量最大的姿势作为掩蔽姿势（mask poses）。此外，MoPredNet通过从观察到的姿态和掩蔽姿态中自适应地学习时空结构，提高了运动动态的编码能力。作者还提出基于积累的运动经验和有限的新型运动动态数据，使MoPredNet适应新型运动动态的方法。实验结果表明，该方法在运动预测方面较当前最先进的方法取得了更好的性能。

2.论文名称：Fact-Enhanced Synthetic News Generation

论文链接：https://www.aminer.cn/pub/5fd1ece791e011ffe17a20c6/?conf=aaai2021

所属会议：AAAI2021

推荐理由：

先进的文本生成方法在文本摘要、语言翻译和合成新闻生成方面取得了巨大成功。然而，这些技术可能被滥用来生成虚假信息和虚假新闻。为了更好地了解合成新闻的潜在威胁，作者开发了一种新的生成方法FactGen来生成高质量的新闻内容。现有的文本生成方法要么提供的补充信息有限，要么缺少输入和输出之间的一致性，这使得合成新闻的可信度降低。为了解决这些问题，FactGen检索外部事实来丰富输出内容，并从生成的内容中重构输入诉求，以提高输入和输出之间的一致性。在真实世界数据集上的实验结果表明，FactGen生成的新闻内容具有一致性，并且包含丰富的事实。作者还讨论了在使用FactGen生成合成新闻的情况下，来识别这些合成新闻的可能防御方法。

3.论文名称：Self-Paced Deep Reinforcement Learning

论文链接：https://www.aminer.cn/pub/5ea6adfa91e011a546871d63/?conf=neurips2020

所属会议：NeurIPS2020

推荐理由：

代理行为（agent behaviour）在各种学习任务中的泛化（generalization）和重用（reuse）有望承载强化学习（Reinforcement Learning，简称RL）的下一波突破。课程式学习（Curriculum Learnin）领域提出了一些策略，这些策略旨在通过在整个学习过程中让学习代理接触到一系列量身定制的任务来支持学习代理，例如，通过逐步增加任务的复杂性。在本文中，作者考虑了最近建立的针对偶发性RL的课程学习成果，提出了一个易于与知名RL算法集成的扩展，并从RL即推理（RL-as-Inference）的角度提供了一个理论表述。作者在有代表性的任务上用不同的Deep RL算法对所提出的方案进行了评估，证明了它能够显著提高学习性能。

4.论文名称：Hierarchical Relational Inference

论文链接：https://www.aminer.cn/pub/5f8029e791e01119a5df728f/?conf=aaai2021

所属会议：AAAI2021

推荐理由：

现实世界中的常识性物理推理（Common-sense physical reasoning）需要学习物体的相互作用及其动态。然而，抽象对象的概念包含了各种各样的物理对象，这些对象在它们支持的复杂行为方面有很大的不同。为了解决这个问题，作者提出了一种新颖的物理推理方法，将对象建模为部分的层次结构，这些部分可能在局部单独行为，但更多地在全局范围内作为一个单一的整体行动。与之前的方法不同，该方法以无监督的方式直接从原始视觉图像中学习，从而发现对象、部件及其关系。它明确区分了多层次的抽象，并在人工模拟合成和真实世界视频的强基线上都有所改进。

5.论文名称：Multi-attention Meta Learning for Few-shot Fine-grained Image Recognition

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772044/?conf=ijcai2020

所属会议：IJCAI2020

推荐理由：

少镜头图像识别（few-shot image recognition）的目标是只用一个或几个训练样本来区分不同的类别。以往的少镜头学习工作主要是针对一般的物体图像。目前的解决方案通常是从训练任务中学习一个全局的图像表示来适应新的任务。然而，细粒度类别（fine-gained categories）由细微和局部的部分区分，这些部分无法被全局表示有效地捕获。上述问题会导致现有的少镜头学习方法无法很好地处理细粒度类别。在这项工作中，作者提出了一种多注意力元学习（multi-attention meta-learning，简称MattML）方法，用于少镜头细粒度图像识别（few-shot fine-grained image recognition，简称FSFGIR）。该元学习方法不是仅使用基础学习器进行一般特征学习，而是使用基础学习器和任务学习器的注意力机制来捕捉图像的判别部分。基础学习器配备了两个卷积块注意力模块（ convolutional block attention modules，简称CBAM）和一个分类器。两个CBAM可以学习多样且信息丰富的部分。而分类器的初始权重由任务学习器制定，这使得分类器具有任务相关的敏感性初始化。在适应性方面，采用了基于梯度的元学习方法，该方法通过更新两个CBAM和相关的分类器参数实现，有利于更新后的基础学习器自适应地关注判别部分。作者对方法的不同组成部分进行了实验分析，在四个基准数据集上的实验结果证明了其方法的有效性和优越性。