雷鋒網(公衆号：雷鋒網) AI 科技評論消息，AAAI 2019 将于 1 月 27 日至 2 月 1 日在美國夏威夷舉行，據統計，大會共收到 7700 餘篇有效投稿，其中 7095 篇論文進入評審環節，最終有 1150 篇論文被錄用，錄取率為近年最低，僅有 16.2%。滴滴于近日也公布了被該人工智能學術頂會收錄的 4 篇論文，論文内容涉及深度學習、生成對抗網絡、神經網絡等技術方向。
四篇論文如下：
Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting
區域級需求預測是網約車服務的重要任務。準确的乘車需求預測可以指導車輛排程，提高車輛使用率，減少等待時間，并緩解交通擁堵。由于區域之間的時空依賴性非常複雜，這項任務具有挑戰性。現有方法主要側重于對空間相鄰區域之間的歐式相關性進行模組化。我們觀察到，遠距離區域之間的非歐式成對關系對于準确預測也是至關重要的。在本文中，我們提出了時空多圖卷積網絡（ST-MGCN），一種用于乘車需求預測的新型深度學習模型。我們首先将區域之間的非歐幾裡德成對相關性編碼成多個圖，然後使用圖卷積根據這些相關性進行模組化。為了在時間相關性模組化中利用環境資訊，我們進一步提出了環境門控遞歸神經網絡（CGRNN），其利用環境感覺門控機制來增強遞歸神經網絡以重新權重不同的曆史資料。我們将模型在北京和上海的真實資料集上進行評估，相比baseline提升了10%的預測準确度。
城市計算的特點之一在于城市資料的多樣性，多模态的資料從不同的角度展示着一個城市的方方面面。這些資料互有聯系，息息相關。在城市預測問題中合理地使用多模态資料可以讓預測模型擷取更多的資訊，使得預測模型的性能更加完備。多模态資料的使用存在很多難點，本文中使用的多模态資料（POI，路網）由于在時間次元上是靜态的，很難被用于時間序列預測問題。許多模型将它們作為人工特征拼接進入線性模型或者深度學習模型，效果并不令人滿意。ST-MGCN為多模态資料的使用提出了一種新的思路，通過“多圖”的形式，将這些資料表達為模型的一種結構，可以令空間特征的抽取更加合理有效。我們将“多圖”的思想應用于其它模型（ST-GCN, DCRNN），在相同的預測問題上也取得了相當的效果提升。ST-MGCN不僅僅是一種網約車平台訂單量預測的深度學習模型，它為城市多模态的資料表達方式提出了一種新的思路，可以廣泛推廣應用于城市計算中的其它時空預測任務。
Incorporating Semantic Similarity with Geographic Correlation for Query-POI Relevance Learning
POI檢索在網約車服務中扮演着重要的角色。目前，POI檢索和排序方法的大多基于Query和POI的文本相似度。文本相似度直覺的反映了Query和POI的相關性，但是單一的文本相似度不能充分刻畫Query和POI的相關性關系。是以本文提出了一種更有效的Query-POI相關性學習方法。與現有方法相比，本文使用多粒度文本特征表示Query-POI對的文本相似度；另外，在網約車場景中，起點和終點的地理位置關系不容忽視，是以，本文将起終點的地理位置關系應用于POI檢索模型中。通過結合文本特征和地理特征，本文方法在POI排序任務中獲得了更好的效果；本文使用兩個真實的點選資料集驗證本文方法的效果，實驗結果表明，本文方法優于其他方法。
本文提出了一種基于文本特征及地理特征的Query-POI相關性學習方法，并被用于POI檢索。本文主要貢獻有三點，首先，本文使用多粒度文本表示及自注意力，互相注意力機制刻畫文本特征；其次，本文将地理資訊引入到POI檢索任務中，并提出兩種地理資訊表示方法，同時本結合文本特征，完成Query-POI的相關性學習；最後，本文使用兩個大規模真實點選資料集驗證模型效果，實驗結果表示，本文方法超過其他對比方法，另外成都資料集可以公開下載下傳。值得注意的是，本文方法可以廣泛的應用于基于位置服務的POI檢索業務中，其中包括本文中提到的網約車場景、本地服務搜尋、外賣平台等其他場景。網約車場景中，使用者對POI檢索結果的要求更高，該場景可以獲得更好的相關性模型，是以本文也将網約車場景作為本文方法的應用場景。
CycleEmotionGAN: Emotional Semantic Consistency Preserved CycleGAN for Adapting Image Emotions
本文的研究目标為領域适應性問題，該問題指的是将在有标簽的資料集(通常稱源領域)上訓練的模型遷移至無标簽的目标資料集(通常稱目标領域)并成功完成預測。該問題的難點在于，目标領域的分布特性與源領域的分布特性往往不同，而傳統深度學習模型在訓練過程中，往往在學習标簽分類能力的同時将源領域的分布特性也一同編碼到模型之中，因而限制了源領域訓練的模型在目标領域上的表現。針對上述難點，本文提出了基于增強語義一緻性的循環生成對抗網絡模型，創新性的引入了語義一緻損失函數和目标分類損失函數，在保留語義标簽分類能力的同時，盡可能地降低不同領域分布特性對模型的影響，進而提高了源領域模型在目标領域資料上的分類能力。作為情感計算領域中面向領域适應性研究的第一個工作，我們在兩個主流的情感計算資料集上進行了系統和全面的實驗，實驗結果表明，所提出的方法超越了已發表的主流方法，取得了最好的結果。未來我們将嘗試将相關工作應用到交通場景識别和目标檢測等領域，促進解決不同場景下的領域适應性問題。
Sensitivity Analysis of Deep Neural Networks
深度神經網絡(DNN)已經在各種預測任務中實作了卓越的性能，但是很容易受到對抗性示例或擾動的影響。是以，在實際應用中測量DNN對各種形式擾動的敏感性是至關重要的。我們引入了一種新的擾動流形及其相關的影響度量，以量化各種擾動對DNN分類器的影響。這些擾動包括對輸入樣本和網絡參數的各種外部和内部擾動。我們所提出的度量受到資訊幾何學的啟發，具有所需的不變性屬性。我們證明了我們的影響度量對于四個模型建構任務非常有用：檢測潛在的“異常值”，分析模型架構的敏感性，比較訓練和測試集之間的網絡敏感度，以及定位易受攻擊的區域。實驗表明我們提出的度量在CIFAR10和MNIST資料集上對于流行的DNN模型，如ResNet50和DenseNet121，具有相當不錯的表現。
雷鋒網版權文章，未經授權禁止轉載。詳情見轉載須知。