日前，第34屆國際人工智能會議（AAAI 2020）在美國紐約召開，伟德victory/人工智能學院入選5篇論文。論文第一作者均為研究生，指導老師陳松燦、張道強、譚曉陽、黃聖君等均為江蘇省青藍工程科技創新團隊成員。

AAAI的中文是美國人工智能協會，是人工智能領域主要學術組織之一，AAAI大會是人工智能領域頂級會議（CCF A類），本次會議錄用率為20.6%。我院入選的論文包含了強化學習、主動學習、腦影像分析等人工智能熱門方向。部分工作與騰訊微信數據質量團隊、阿裡巴巴視頻推薦團隊等合作，結合實際應用問題開展研究并取得重要進展。由于疫情原因未能赴紐約參加會議，作者通過視頻方式遠程報告了論文。

 論文《Active Learning with Query Generation for Cost-Effective Text Classification》為與騰訊微信數據質量團隊開展合作完成的一項成果。第一作者顔逸凡同學曾入選2018年度騰訊犀牛鳥精英人才培養計劃（全國共58人入選）。該工作針對微信“看一看”功能中文本标注代價高的問題，提出了一種基于樣本生成的主動學習方法，避免了對大規模未标記數據的重複掃描，能夠直接生成最具有信息量和多樣性的樣本，從而快速提高模型性能，并能适用于大規模任務。同時，該方法利用稀疏重構技術對長文本進行 近似表達，使得标注者無需閱讀整個文本，僅基于少量概括性詞語就能進行高效标注，顯著降低了标注成本。在模拟數據的可視化結果中，可以觀察到所提方法生成的樣本均勻分布在分類邊界，表明其既有豐富的信息量，同時又能有效蘊含數據的整體分布信息。在真實數據集中的實驗結果也表明該方法相比傳統方法具有顯著優勢。

 論文《Uncertainty Aware Graph Gaussian Process for Semi-Supervised Learning》為與阿裡巴巴視頻推薦團隊合作完成。這也是雙方繼在優酷視頻推薦實際任務中取得顯著進展後，再次合作發表頂級會議論文。該工作主要面向标記數據不足的圖網絡數據提出了一種新的半監督學習方法。在很多現實任務中，數據以圖網絡的形式存在.在基于圖的半監督學習中僅有部分節點有标記，需要依靠圖的已标記節點構建模型預測其餘未标記節點的标記。利用圖的結構關系可以輔助模型學習更多的數據信息。該工作基于稀疏變分高斯過程提出了從特征聚合和光滑性假設兩方面來利用節點關系：一方面特征聚合即基于圖網絡傳播節點特征，同時聚合節點原始輸入特征和高斯過程推斷變量，另一方面對于聚合後所得概率變量施加對稱馬氏距離約束。實驗結果顯示提出的方法能夠有效利用未标記數據提升模型性能。

 論文《Partial Multi-label Learning with Noisy Label Identification》提出了一種基于噪聲标記檢測的偏多标記學習方法，該方法針對實際應用中标記信息不精确的問題，基于樣本的特征表示學習一個分類器和一個檢測器，同時進行多标記的分類與對噪聲标記的檢測。大量的實驗結果表明，該方法在多項評價指标上均顯著優于已有偏多标記學習算法。

 論文《SMIX(λ)：Enhancing Centralized Value Functions for Cooperative Multi-Agent Reinforcement Learning》提出了一種異策略的合作場景下的多智能體強化學習方法，SMIX(λ)。SMIX(λ)通過放松已有算法中的過強假設來學習到更優的策略，利用多步獎勵來更準确的估計值函數，并且采用經驗回放機制來提高學習的效率。該算法不但實現簡單，能夠有效避免多智能聯合動作空間的維度災難問題，而且理論上具有較好的收斂性質。在星際争霸微操作環境(該環境提供不同的多對多戰鬥場景)上的實驗表明,SMIX(λ)算法優于幾種先進的中心訓練分散執行的方法。

 論文《Graph-Based Decoding Model for Functional Alignment of Unaligned fMRI Data》針對腦解碼研究中，現有的功能性校準方法是基于時序對齊的fMRI數據集進行建模優化，導緻其不能很好地處理現今存在的各種非時序對齊的數據集。非時序對齊的情況包括，一些受試者可能缺乏對某些刺激信号的反應，或者不同的被試者可能接收不同順序的刺激信号。為了解決這一問題，該工作借助跨被試者圖矩陣對不同被試者的fMRI樣本之間的差異或相似性進行度量，從而能夠描述數據集的非時序特征，并以此為基礎提出一種更具柔性的算法框架，以适應當今fMRI數據集的多樣性。同時，為了處理fMRI的高維度以及成像技術發展所帶來的大樣本問題，基于核方法對每個被試者的新特征空間施加一個低維約束，并基于理論分析提出一套簡單可行的優化方案，從而降低所需的計算複雜度。