微信号:aitechtalk

介绍:关注国内外人工智能与机器科学领域的前沿技术.

动态 | AAAI 2019 滴滴被收录论文出炉

2019-01-28 23:32 张露露

AI 科技评论消息,AAAI 2019 将于 1 月 27 日至 2 月 1 日在美国夏威夷举行,据统计,大会共收到 7700 余篇有效投稿,其中 7095 篇论文进入评审环节,最终有 1150 篇论文被录用,录取率为近年最低,仅有 16.2%。滴滴于近日也公布了被该人工智能学术顶会收录的 4 篇论文,论文内容涉及深度学习、生成对抗网络、神经网络等技术方向。

四篇论文如下:

  • Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting

区域级需求预测是网约车服务的重要任务。准确的乘车需求预测可以指导车辆调度,提高车辆利用率,减少等待时间,并缓解交通拥堵。由于区域之间的时空依赖性非常复杂,这项任务具有挑战性。现有方法主要侧重于对空间相邻区域之间的欧式相关性进行建模。我们观察到,远距离区域之间的非欧式成对关系对于准确预测也是至关重要的。在本文中,我们提出了时空多图卷积网络(ST-MGCN),一种用于乘车需求预测的新型深度学习模型。我们首先将区域之间的非欧几里德成对相关性编码成多个图,然后使用图卷积根据这些相关性进行建模。为了在时间相关性建模中利用环境信息,我们进一步提出了环境门控递归神经网络(CGRNN),其利用环境感知门控机制来增强递归神经网络以重新加权不同的历史数据。我们将模型在北京和上海的真实数据集上进行评估,相比baseline提升了10%的预测准确度。

城市计算的特点之一在于城市数据的多样性,多模态的数据从不同的角度展示着一个城市的方方面面。这些数据互有联系,息息相关。在城市预测问题中合理地使用多模态数据可以让预测模型获取更多的信息,使得预测模型的性能更加完备。多模态数据的使用存在很多难点,本文中使用的多模态数据(POI,路网)由于在时间维度上是静态的,很难被用于时间序列预测问题。许多模型将它们作为人工特征拼接进入线性模型或者深度学习模型,效果并不令人满意。ST-MGCN为多模态数据的使用提出了一种新的思路,通过“多图”的形式,将这些数据表达为模型的一种结构,可以令空间特征的抽取更加合理有效。我们将“多图”的思想应用于其它模型(ST-GCN, DCRNN),在相同的预测问题上也取得了相当的效果提升。ST-MGCN不仅仅是一种网约车平台订单量预测的深度学习模型,它为城市多模态的数据表达方式提出了一种新的思路,可以广泛推广应用于城市计算中的其它时空预测任务。

  • Incorporating Semantic Similarity with Geographic Correlation for Query-POI Relevance Learning

POI检索在网约车服务中扮演着重要的角色。目前,POI检索和排序方法的大多基于Query和POI的文本相似度。文本相似度直观的反映了Query和POI的相关性,但是单一的文本相似度不能充分刻画Query和POI的相关性关系。所以本文提出了一种更有效的Query-POI相关性学习方法。与现有方法相比,本文使用多粒度文本特征表示Query-POI对的文本相似度;另外,在网约车场景中,起点和终点的地理位置关系不容忽视,所以,本文将起终点的地理位置关系应用于POI检索模型中。通过结合文本特征和地理特征,本文方法在POI排序任务中获得了更好的效果;本文使用两个真实的点击数据集验证本文方法的效果,实验结果表明,本文方法优于其他方法。

本文提出了一种基于文本特征及地理特征的Query-POI相关性学习方法,并被用于POI检索。本文主要贡献有三点,首先,本文使用多粒度文本表示及自注意力,相互注意力机制刻画文本特征;其次,本文将地理信息引入到POI检索任务中,并提出两种地理信息表示方法,同时本结合文本特征,完成Query-POI的相关性学习;最后,本文使用两个大规模真实点击数据集验证模型效果,实验结果表示,本文方法超过其他对比方法,另外成都数据集可以公开下载。值得注意的是,本文方法可以广泛的应用于基于位置服务的POI检索业务中,其中包括本文中提到的网约车场景、本地服务搜索、外卖平台等其他场景。网约车场景中,用户对POI检索结果的要求更高,该场景可以获得更好的相关性模型,所以本文也将网约车场景作为本文方法的应用场景。

  • CycleEmotionGAN: Emotional Semantic Consistency Preserved CycleGAN for Adapting Image Emotions

本文的研究目标为领域适应性问题,该问题指的是将在有标签的数据集(通常称源领域)上训练的模型迁移至无标签的目标数据集(通常称目标领域)并成功完成预测。该问题的难点在于,目标领域的分布特性与源领域的分布特性往往不同,而传统深度学习模型在训练过程中,往往在学习标签分类能力的同时将源领域的分布特性也一同编码到模型之中,因而限制了源领域训练的模型在目标领域上的表现。针对上述难点,本文提出了基于增强语义一致性的循环生成对抗网络模型,创新性的引入了语义一致损失函数和目标分类损失函数,在保留语义标签分类能力的同时,尽可能地降低不同领域分布特性对模型的影响,进而提高了源领域模型在目标领域数据上的分类能力。作为情感计算领域中面向领域适应性研究的第一个工作,我们在两个主流的情感计算数据集上进行了系统和全面的实验,实验结果表明,所提出的方法超越了已发表的主流方法,取得了最好的结果。未来我们将尝试将相关工作应用到交通场景识别和目标检测等领域,促进解决不同场景下的领域适应性问题。

  • Sensitivity Analysis of Deep Neural Networks

深度神经网络(DNN)已经在各种预测任务中实现了卓越的性能,但是很容易受到对抗性示例或扰动的影响。因此,在实际应用中测量DNN对各种形式扰动的敏感性是至关重要的。我们引入了一种新的扰动流形及其相关的影响度量,以量化各种扰动对DNN分类器的影响。这些扰动包括对输入样本和网络参数的各种外部和内部扰动。我们所提出的度量受到信息几何学的启发,具有所需的不变性属性。我们证明了我们的影响度量对于四个模型构建任务非常有用:检测潜在的“异常值”,分析模型架构的敏感性,比较训练和测试集之间的网络敏感度,以及定位易受攻击的区域。实验表明我们提出的度量在CIFAR10和MNIST数据集上对于流行的DNN模型,如ResNet50和DenseNet121,具有相当不错的表现。

点击阅读原文,查看 不一样的论文解读:2018 KDD best paper「Embeddings at Airbnb」

 
AI科技评论 更多文章 面部识别系统存在哪些「偏见」困境?这名年轻人的发言让 Jeff Dean 忍不住点赞 NLP 中评价文本输出都有哪些方法?为什么要小心使用 BLEU? 国际顶级人工智能学术会议 AAAI 2019 即将开幕,特邀演讲嘉宾名单出炉 多图详解 DeepMind 的超人类水准星际争霸 AI 「AlphaStar」 CMU 深度学习导论更新 | 第六讲:随机梯度下降
猜您喜欢 Android 技巧-Debug 判断不再用 BuildConfig 2016年Q1的Facebook广告指标趋势 如何快速提高学习能力-学习心得 WebSocket 通信过程与实现 初尝Docker1.12(一)