AAAI（2016）阅读笔记（一）

1. Applications

• 1.Inferring Multi-Dimensional Ideal Points for US Supreme Court Justices
  为美国最高法院推理多维理想点？在政治科学和法院中，理想点是连续空间里的正义，也可以理解为司法政策参考的量化。这里我们提出了一种方法可以自动推理出这个理想点。这个方法将对案件的观点的主题模型与法官的投票行为相结合，主题模型可以有选择地根据有监督信息引导理想点的推理。这种方法在过去五年的案件中为我们提供了一些有趣的视角，如在一些关键案件中为法官的态度偏向，将潜在的主题关联起来，法官的调换对于案件结果的影响。

• 2.Little Is Much: Bridging Cross-Platform Behaviors through Overlapped Crowds
  人们通常使用多个平台来满足其不同的信息需求。为了更加智能的服务人类，我们需要全面了解用户需求。如何以人为中心的有机地集成和桥跨平台信息方法是很重要的。目前的转移学习假设对于用户来说要么完全重叠，要么完全不重叠。然而真实情况是，对于不同平台的用户，用户是部分重叠的，而重叠这个部分的用户数量很少，原因是我们对跨平台的用户没有一个同一的ID来识别，在这篇论文中我们提出一种新颖的转移学习方法来解决跨平台行为预测问题。为了解决稀疏问题，我们充分利用那小部分重叠用户的信息。最后实验证明在两个真正的社交网络中，可以达到很好的效果。我们通过充分利用26%重叠用户证明,XPTRANS可以预测不重叠用户的行为与重叠用户相同的精度,这意味着小重叠的人群可以成功桥跨不同平台的信息。

• 3.Scientific Ranking over Heterogeneous Academic Hypernetwork
  评分对于在一个大型数据库中找到权威著作非常重要。目前已经有人在异构科学网络中建立扁平的结构来更好的评分，但是他们忽略了不同类别的学术实体之间的多维关系的多元天性。基于多元异构学术高维网络，论文提出了一种创新评分算法，这个可以在一个科学著作数据库中作为一个通用模型。这个算法在基于ACL选集网络的固定环境中通过了扩展性评估。

• 4.MUST-CNN: A Multilayer Shift-and-Stitch Deep Convolutional Architecture for Sequence-Based Protein Structure Prediction
  预测蛋白质性质如溶剂可及性和二级结构的主要氨基酸序列是生物信息学的一个重要任务。最近,几个深度学习模型已经超越了传统的基于窗口的多层感知器模型。由图像分类领域中获取灵感,我们提出一个深卷积神经网络架构,MUST-CNN,来预测蛋白质性质。此体系结构使用一种新的多层shift-and-stitch(MUST)技术来生成完全致密per-position预测蛋白质序列。我们的模型不比最先进的简单,然而达到更好的结果。通过结合必须和有效卷积操作,我们可以考虑更多的参数,同时保留速度非常快的预测。我们的性能在两个大的蛋白质性质预测数据集上击败了最先进的模型。

• 5.Hospital Stockpiling Problems with Inventory Sharing
  医院通常需要优化对于附近的用户的服务能力,严重的问题的是,我们的医疗保健系统没有准备好应对下一次大流行问题。不同的物资储备,如个人防护装备(PPE)和医疗设备,需要维护,以便能够应对未来的大流行性病情。一方面大暴发病情发生概率较低,这样的库存需要大的投资。此外,医院往往相互共享协议,这使得库存决策的问题成为一种自然的博弈论问题。在本文中,我们将医院储备形式化为博弈论问题。我们使用成对纳什稳定的概念作为这个问题的解决理念,并描述其结构。我们证明,稳定战略在某些场景中会导致高不满足要求,和库存可能不会在所有节点都有存储。我们还证明,稳定战略和社会最优可以更有效地计算。

• 6.Predicting ICU Mortality Risk by Grouping Temporal Trends from a Multivariate Panel of Physiologic Measurements
  ICU死亡风险预测可以帮助临床医生采取有效干预措施,改善病人的结果。现有的机器学习方法常常面临的挑战是整合生理变量和向医生解释模型。为了提高预测模型的精度和可解释性我们在ICU生理时间序列引入子图增强非负矩阵分解(SANMF)。SANMF将时间序列转化为图形表示,频繁子图挖掘适用于自动提取时间的趋势。然后我们通过估计患者病理生理的状态的方法使用非负矩阵分解群体趋势。趋势群组将作为特征来训练死亡风险预测的逻辑回归模型,也根据他们对死亡风险的贡献进行打分。我们通过目标在离开ICU的12到24小时后观察的生理测量结果使用SANMF与四个经验模型预测的对象出院后30天之后死亡率或生存率。SANMF优于所有比较模型,特别是,改善了AUC(0.848 vs 0.827,p < 0.002),比其他使用过人工特征调整的机器学习方法更优。

• 7.Learning to Generate Posters of Scientific Papers
  研究人员使用科学海报总结和展示他们的论文内容,这有效地传达自己的想法。然而,制作一个好的科学海报,对于创新的研究人员是具有挑战性的,因为它需要有可读性,有信息性,和审美性。本文是第一个思考这个挑战性的问题——如何从论文中生成一篇海报。为此,提出了一种数据驱动框架利用概率图形模型。为此,利用概率图形模型提出了一种数据驱动框架。具体地说,根据显示的内容,一个好的海报的关键元素,包括每个面板的面板布局和属性,都要从数据推断。而每个版面的图形成分都是需要合成的。为了验证我们的猜想，我们建立了一个论文-海报数据库，穷举了每一个版面的标签，定性和定量实验结果都表明我们的框架的有效性。

• 8.Face Behind Makeup
  在这项工作中,我们提出一种新颖的自动化妆探测器和卸妆框架。对于化妆，距离约束的低级字典学习算法可以用来确定和使用化妆品，卸妆是具有挑战性的任务,我们提出距离约束的耦合的字典学习(LC-CDL)框架合成素颜脸,所以化妆可以根据风格擦除。此外,我们建立一个逐步构成数据集(SMU),据我们所知这是第一个化妆程序的数据集。这部创新技术本身有很多实际应用,如为消费者推荐产品;面向客户的化妆教程,化妆应用的安全验证。最后,我们的系统三个现有的(VMU、MIW、YMU)和一个own-collected组成的数据集上进行验证。实验结果展示了基于深度学习方法在化妆检测中的有效性。由于结构的相似，提出的LC-CDL方法在卸妆上也显示非常有潜力的性能。此外,对于是否化妆的判断的准确性,我们使用了一张化妆的脸在这个系统中进行说明。

• 9.Social Role-Aware Emotion Contagion in Image Social Networks
  心理学理论表明,情感代表反应一个人的认知系统的精神状态和本能。情绪是一种复杂的感觉,导致生理和心理的状态变化,影响我们的行为。在本文中,我们研究一个有趣的问题——社交网络中的情绪蔓延。特别的,通过使用一个图像的社交网络(Flickr)作为我们的研究基础,我们试图推出用户的情感状态如何相互影响以及用户在社会网络的位置对这种情感影响力的强度的影响。我们开发了一个概率框架将这个问题形式化为role-aware蔓延模型。模型能够基于用户历史情感状态和社会结构预测用户的情绪状态。在Flickr大数据集进行的实验表明该模型在预测用户的情绪状态比几种替代方法性能更好。我们还发现一些有趣的现象。例如,用户感到快乐的概率与他感觉到快乐的朋友数线性相关，但仔细一看，这个幸福概率与网络中作为意见领袖的快乐朋友的数量超线性相关，与跨越网络的快乐朋友的数量呈亚线性相关。这提供了一个新的机会,帮助我们理解在线社交网络中底层的情绪感染机制。

• 10.Survival Prediction by an Integrated Learning Criterion on Intermittently Varying Healthcare Data
  本文我们从理论上研究最小差异解决集(DRS)问题，这来源于在网络源定位中经典的传感器位置优化问题。图G =(V,E)的DRS的定义是一个子集S⊆V,其中V中任何两个元素可以根据他们在S上的不同的微分特征集上定义来区分。最小DRS问题旨在找到图G的中达到最低总重量Σv∈S*w(v)的S。在本文中,我们建立的一组整数线性规划(ILP)模型作为解决方案。
  感受：
  Application中主要是对DL的应用领域的扩展。法律，医学，……他们将专业问题进行抽象，从而得到一个可以使用DL工具来解决的问题。