AMiner会议论文推荐第二十四期
AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。
IJCAI 2020 论文推荐
Multi-attention Meta Learning for Few-shot Fine-grained Image Recognition
推荐理由：实时自主能源管理问题是一个受到消费者、政府、学术界和工业界空前关注的应用领域。本文首次展示了深度强化学习（deep reinforcement learning , 简称DRL）在多载波能源系统实时自主能源管理中的应用。该研究提出的方法是根据能源管理问题的性质量身定做的，将其摆放在多维的连续状态和动作空间中，以协调不同能源设备之间的功率流，并充分捕捉不同能源载体之间的耦合协同效应。作者称这一基础性贡献较早期仅寻求控制单个设备的功率输出而忽视不同能量载体间供需耦合的方法前进了一大步。在实际场景中的案例研究表明，作者所提出的方法在实现最低能源成本和生成适应系统不确定性的能源管理策略的表现方面，显著优于现有的DRL方法和基于模型的控制方法。
论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2771ff1/?conf=ijcai2020
会议链接：https://www.aminer.cn/conf/ijcai2020
Few-shot Human Motion Prediction via Learning Novel Motion Dynamics
论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef277202f/?conf=ijcai2020
推荐理由：在人体运动预测任务中，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可以使用有限数据预测新的运动动态，并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。
会议链接：https://www.aminer.cn/conf/ijcai2020
NeurIPS 2020 论文推荐
Self-Paced Deep Reinforcement Learning
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。
论文链接：https://www.aminer.cn/pub/5ea6adfa91e011a546871d63/?conf=neurips2020
会议链接：https://www.aminer.cn/conf/neurips2020
3D Shape Reconstruction from Vision and Touch
论文链接：https://www.aminer.cn/pub/5f06e12991e0117f54657ba1/?conf=neurips2020
推荐理由：当蹒跚学步的孩子看到一个新的玩具时，他们的本能行为是拿起玩具，用手和眼睛同时观察，彻底地在玩具表面搜索，以正确理解他们正在玩的东西。其中，触摸提供了高保真的局部信息（localized information），同时视觉则提供了补充的全局内容（global context）。然而，在三维形状重建中，视觉和触觉方式的互补融合仍未被充分探索。在本文中，作者研究了这个问题，并提出了一种基于图表来融合视觉和触觉的方法，它利用了图卷积网络方面的成果。为此，作者引入了一个在机器抓手与大量 3D 物体之间交互动作中模拟触摸和视觉信号的数据集。实验结果表明：(1)利用视觉和触觉信号可以持续改善单模态基线；(2)作者的方法优于其他模态融合方法，受益于所提出的基于图表结构的方法；(3)重建质量随提供的抓手数量而增加；(4)触觉信息不仅增强了触觉部位的重建，而且还能外推到其该位置附近。
会议链接：https://www.aminer.cn/conf/neurips2020
AAAI 2021 论文推荐
Fact-Enhanced Synthetic News Generation
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。
论文链接: https://www.aminer.cn/pub/5fd1ece791e011ffe17a20c6/?conf=aaai2021
会议链接：https://www.aminer.cn/conf/aaai2021
Generalized Adversarially Learned Inference
论文链接: https://www.aminer.cn/pub/5ee8986891e011e66831c51a/?conf=aaai2021
推荐理由：在训练GANs的同时，允许潜向量（latent vectors）的有效推理，可以大大提高其在各种下游任务中的适用性。最近的研究，例如ALI和BiGAN框架，通过对抗式训练一个图像生成器和一个编码器来匹配图像和潜向量对的两个联合分布，开发了GANs中潜变量的推理方法。作者对这些方法进行了归纳，以纳入重建上的多层反馈、自监督和其他基于解决方案的先验或习得知识的监督。作者通过修改判别器的目标来实现这一目的，以正确识别两个以上由图像、潜伏量和其他变量组成的随机变量的联合分布，这些变量是通过辅助任务产生的，例如重建和修复（inpainting）或合适预训练模型的输出。作者为生成器-编码器对设计了一个非饱和的最大化目标，并证明由此产生的对抗性博弈对应于一个同时匹配所有分布的全局最优。在该框架内，作者引入了一套新的技术，用于为基于属性（例如补丁级对应性和重建周期一致性）的模型提供自我监督反馈。通过综合实验，作者证明了其方法在各种任务中的有效性、可扩展性和灵活性。
会议链接：https://www.aminer.cn/conf/aaai2021
订阅了解更多论文信息，定制您的个人科研动态信息流：https://www.aminer.cn/user/notification?f=mt