在今年的國際人工智能聯(lián)合會(huì)議（IJCAI）上，阿里巴巴有11篇論文入選，這是繼今年的CVPR會(huì)議入選4篇、KDD會(huì)議入選5篇后，阿里巴巴在人工智能***會(huì)議上斬獲的***成果。

IJCAI被認(rèn)為是人工智能領(lǐng)域最***的學(xué)術(shù)會(huì)議之一，涵蓋機(jī)器學(xué)習(xí)、計(jì)算可持續(xù)性、圖像識別、語音技術(shù)、視頻技術(shù)等，對全球人工智能行業(yè)具有巨大影響力。今年IJCAI共收到2540篇論文投稿，再創(chuàng)歷史新高，最終錄用660篇，錄用率26%。

阿里巴巴入選的11篇論文中，有6篇來自阿里巴巴-浙大前沿技術(shù)聯(lián)合研究中心，3篇來自螞蟻金服，均被主會(huì)收錄。另外2篇來自天貓和菜鳥物流，被主題為“AI Applications in E-Commerce”的Workshop收錄。“阿里巴巴-浙江大學(xué)前沿技術(shù)聯(lián)合研究中心”，旨在攜手攻克面向未來20年的核心科技，在人工智能、泛在信息安全、無障礙感知互聯(lián)等前沿技術(shù)領(lǐng)域開展研究合作。

今年3月，阿里巴巴推出NASA計(jì)劃，面向未來20年組建強(qiáng)大的獨(dú)立研發(fā)機(jī)構(gòu)，為服務(wù)近20億人的新經(jīng)濟(jì)體儲備核心科技。為實(shí)現(xiàn)該目標(biāo)，一方面由金榕、華先勝、任小楓等技術(shù)領(lǐng)軍人物，組建iDST、AI Labs等研究機(jī)構(gòu)；另一方面發(fā)布***全球性科研項(xiàng)目“AIR”計(jì)劃，推進(jìn)計(jì)算機(jī)科學(xué)領(lǐng)域基礎(chǔ)性、前瞻性、突破性的研究，構(gòu)建技術(shù)生態(tài)。

當(dāng)前的阿里巴巴正從“互聯(lián)網(wǎng)+模式”的商業(yè)模式創(chuàng)新***者，變成科技創(chuàng)新的***者。

以下為IJCAI 2017阿里巴巴入選論文（前6篇來自阿里-浙大前沿技術(shù)聯(lián)合研究中心，中間3篇來自螞蟻金服，***2篇來自天貓和菜鳥物流）

Image Gradient-based Joint Direct Visual Odometry for Stereo Camera

一種基于圖像梯度聯(lián)合優(yōu)化的雙目視覺里程計(jì)算法

作者：朱建科

本文中提出了一個(gè)全新的并且可以改進(jìn)收斂獲得更精確姿態(tài)的雙目里程計(jì)方法。我們算法的關(guān)鍵部分是一個(gè)基于多尺度金字塔構(gòu)架的雙雅克比優(yōu)化方法，并介紹了一個(gè)基于梯度特征的圖像表示方式。這使得我們的算法對光線變化很魯棒。創(chuàng)新地提出的聯(lián)合優(yōu)化的雙目視覺里程計(jì)算法將結(jié)合***幀和之前關(guān)鍵幀的信息。

地址：https://www.ijcai.org/proceedings/2017/0636.pdf

DeepFacade: A Deep Learning Approach to Facade Parsing

深度表面：一種基于深度學(xué)習(xí)的建筑表面解析方法

作者：劉漢唐，張加良，朱建科，許主洪

我們提出一種基于深度學(xué)習(xí)的解析建筑物表面的方法。人工制造的建筑規(guī)則通常具有很高的對稱性。基于這個(gè)觀察，我們?yōu)樯窠?jīng)網(wǎng)絡(luò)提出了一個(gè)對稱的約束項(xiàng)。我們的方法可以同時(shí)采用深度學(xué)習(xí)和人工先驗(yàn)信息的優(yōu)點(diǎn)。我們通過給FCN-8s增加對稱損失函數(shù)來檢測我們方法的效果。實(shí)驗(yàn)結(jié)果顯示我們的方法在ECP和eTREIMS數(shù)據(jù)集上打敗了之前領(lǐng)域內(nèi)***進(jìn)的方法，是***個(gè)在全圖尺度上使用深度神經(jīng)網(wǎng)絡(luò)的方法。

地址：https://www.ijcai.org/proceedings/2017/0320.pdf

CFNN: Correlation Filter Neural Network for Visual Object Tracking

CFNN：一種協(xié)相關(guān)濾波神經(jīng)網(wǎng)絡(luò)的可視物體跟蹤算法

作者：李洋，徐展 ，朱建科

我們提出了一個(gè)新穎的協(xié)相關(guān)濾波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及一整套跟蹤算法，是傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的一個(gè)特例。它的網(wǎng)絡(luò)初始化不需要在任何額外數(shù)據(jù)集上進(jìn)行任何的提前訓(xùn)練。得益于循環(huán)采樣技術(shù)，我們提出的方法在網(wǎng)絡(luò)初始化時(shí)便可以得到有效的判別能力并且在網(wǎng)絡(luò)更新時(shí)兼具向后傳播算法的優(yōu)勢從而習(xí)得新樣本的外觀變化。整個(gè)跟蹤過程同時(shí)繼承了卷機(jī)網(wǎng)絡(luò)以及協(xié)相關(guān)濾波算法的互補(bǔ)優(yōu)勢。

地址：https://www.ijcai.org/proceedings/2017/0309.pdf

Deep Optical Flow Estimation Via Multi-Scale Correspondence Structure Learning

基于多尺度對應(yīng)結(jié)構(gòu)化學(xué)習(xí)的深度光流估計(jì)

作者：趙杉杉，李璽，奧馬

我們提出的MSCSL學(xué)習(xí)框架利用深度學(xué)習(xí)得到多尺度特征空間，進(jìn)而在該深度特征空間中學(xué)習(xí)多尺度圖像之間的對應(yīng)結(jié)構(gòu)。MSCSL通過建立一個(gè)空間卷積GRU（Spatial Conv-GRU）神經(jīng)網(wǎng)絡(luò)模型去自適應(yīng)地建模不同尺度對應(yīng)結(jié)構(gòu)之間的內(nèi)在依賴關(guān)系。***，在端到端深度學(xué)習(xí)框架中實(shí)現(xiàn)上面兩個(gè)過程。

地址：https://www.ijcai.org/proceedings/2017/0488.pdf

Group-wise Deep Co-saliency Detection

基于端到端全卷積神經(jīng)網(wǎng)絡(luò)的組協(xié)同顯著性檢測

作者：魏李娜，趙杉杉，奧馬，李璽，吳飛

我們設(shè)計(jì)了一個(gè)統(tǒng)一的端到端深度學(xué)習(xí)框架對組內(nèi)共享特征和單張圖像特征的互動(dòng)及關(guān)聯(lián)關(guān)系進(jìn)行聯(lián)合學(xué)習(xí)，從而使模型更具準(zhǔn)確性和魯棒性。

地址：https://www.ijcai.org/proceedings/2017/0424.pdf

Boosted Zero-Shot Learning with Semantic Correlation Regularization

基于語義相關(guān)性約束的提升零樣本分類學(xué)習(xí)

作者：皮特，李璽，張仲非

我們設(shè)計(jì)了一個(gè)語義相關(guān)性正則化（SCR）方法，以約束提升分類模型使之與類別間的語義相關(guān)性結(jié)構(gòu)相一致。隨著將SCR正則化嵌入提升分類，以及嵌入針對魯棒學(xué)習(xí)的自控制樣本選擇過程，我們提出了一個(gè)統(tǒng)一的框架，基于語義相關(guān)性約束的提升零樣本分類模型（BZ-SCR）。通過平衡受SCR正則化的提升模型選擇過程和自控制的樣本選擇過程，BZ-SCR能夠捕捉從特征到類別語義的有判別性的、可適應(yīng)的校準(zhǔn)，同時(shí)保證被學(xué)習(xí)樣本的可靠性和對目標(biāo)類別的適應(yīng)性。

地址：https://www.ijcai.org/proceedings/2017/0362.pdf

Local Linear Factorization Machines

局部線性因子分解機(jī)

作者：劉成昊, 張騰, 趙沛霖, 周俊, 孫建伶

因子分解機(jī)（FM）是一種被廣泛應(yīng)用的方法，因其在分類和回歸任務(wù)中可以高效利用高階特征交互。不幸地，盡管對因子分解機(jī)有不斷增長的興趣，現(xiàn)存工作僅僅考慮了輸入特征的二階信息。這限制了它在非線性問題上的能力且不能捕捉更復(fù)雜數(shù)據(jù)的潛在結(jié)構(gòu)。在這個(gè)工作中，我們提出了一種新的局部線性因子分解機(jī)（LLFM）。它利用局部編碼技術(shù)克服了上述FM的缺陷。現(xiàn)存局部編碼分類器的學(xué)習(xí)方法包含了一個(gè)無監(jiān)督錨點(diǎn)學(xué)習(xí)階段和一個(gè)預(yù)定義的局部編碼方案。由于編碼方案中沒有利用數(shù)據(jù)的類別信息，這些方法會(huì)導(dǎo)致用于預(yù)測的編碼是次優(yōu)的。不同于已有方法，我們在錨點(diǎn)、局部編碼坐標(biāo)、和FM參數(shù)上規(guī)劃出一個(gè)聯(lián)合優(yōu)化方案，來最小化分類或回歸風(fēng)險(xiǎn)。***，我們通過實(shí)驗(yàn)證明了，我們的方法取得了比其他已有FM方案、以及利用無監(jiān)督錨點(diǎn)學(xué)習(xí)和預(yù)定義編碼的LLFM明顯更好的預(yù)測精度。

地址：https://www.ijcai.org/proceedings/2017/0319.pdf

Learning User Dependencies for Recommendation

為推薦學(xué)習(xí)用戶相關(guān)性

作者：劉勇, 趙沛霖, 劉星, 吳敏, 段立新, 李曉黎

社交推薦系統(tǒng)利用用戶的社交關(guān)系來提高推薦精度。直覺上來講，一個(gè)用戶對于不同的場景傾向于信任不同的用戶。因此，社交推薦的一個(gè)主要挑戰(zhàn)是對于一個(gè)給定的推薦任務(wù)如何利用用戶間的最合適的相關(guān)性。以前的社交推薦方法通常是基于預(yù)定義的用戶相關(guān)性而開發(fā)的。因此，對于一個(gè)具體的推薦任務(wù)，它們可能不是***的。在這篇文章里，我們提出了一個(gè)名為概率關(guān)系矩陣分解（PRMF）的推薦方法，它可以自動(dòng)學(xué)習(xí)用戶相關(guān)性來提高推薦精度。在PRMF里，我們假設(shè)用戶的潛在特征是服從矩陣變量正態(tài)（MVN）分布。此外，用戶的正負(fù)相關(guān)性都可以用MVN分布的行精度矩陣來模擬。為了求解PRMF里的優(yōu)化問題，我們提出了一個(gè)交替優(yōu)化算法。***，在四個(gè)真實(shí)數(shù)據(jù)上的大量實(shí)驗(yàn)證明了所提PRMF算法的效力。

地址：http://static.ijcai.org/proceedings-2017/0331.pdf

Online Multitask Relative Similarity Learning

在線多任務(wù)相對相似度學(xué)習(xí)

作者：郝書吉, 趙沛霖, 劉勇, 許主洪, 苗春燕

相對相似度學(xué)習(xí)（RSL）旨在通過由相對約束組成的數(shù)據(jù)來學(xué)習(xí)相似度函數(shù)。以前的大部分為RSL設(shè)計(jì)的算法是離線學(xué)習(xí)算法，所以在處理現(xiàn)實(shí)世界中的流式數(shù)據(jù)時(shí)會(huì)遭受極差的可擴(kuò)展性。此外，這些現(xiàn)存算法經(jīng)常被設(shè)計(jì)來為一個(gè)具體的任務(wù)學(xué)習(xí)一個(gè)單獨(dú)的相似度函數(shù)。因此，它們在解決多任務(wù)學(xué)習(xí)問題時(shí)是次優(yōu)的。為了克服這些缺陷，我們提出了一個(gè)可擴(kuò)展的RSL框架，并命名為在線多任務(wù)相對相似度學(xué)習(xí)（OMTRSL）。具體來說，我們首先針對多任務(wù)相對相似度學(xué)習(xí)開發(fā)了一個(gè)簡單有效的在線學(xué)習(xí)算法。然后，我們又提出一個(gè)主動(dòng)學(xué)習(xí)算法來節(jié)省打標(biāo)的成本。所提出的算法不僅享有極好的理論保證，也在現(xiàn)實(shí)數(shù)據(jù)集的實(shí)驗(yàn)上展現(xiàn)了其高效能和效率。

地址：https://www.ijcai.org/proceedings/2017/0253.pdf

以下兩篇被主題為“AI Applications in E-Commerce”的Workshop收錄

Solving a New 3D Bin Packing Problem with Deep Reinforcement Learning Method

利用深度強(qiáng)化學(xué)習(xí)解決新型三維裝箱問題

作者：胡浩源張曉東 王龍飛 徐盈輝

本文通過近些年被成功應(yīng)用于組合優(yōu)化問題的深度學(xué)習(xí)技術(shù)--Pointer Network來對物品的放入順序進(jìn)行學(xué)習(xí)和優(yōu)化。基于大量實(shí)際數(shù)據(jù)構(gòu)建和訓(xùn)練了深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)，并對此網(wǎng)絡(luò)的效果進(jìn)行了檢驗(yàn)，結(jié)果表明相對于已有的啟發(fā)式方法，使用本文提出的深度強(qiáng)化學(xué)習(xí)方法可以獲得大約5%的效果提升。

Life-stage inference in E-commerce: a dynamic merging based approach

電子商務(wù)中的生命階段推斷：一種動(dòng)態(tài)融合方法

作者：周中晟，張祎東，舒智超，鄧玉明，王曉晴

為了提升用戶購物體驗(yàn)，豐富用戶資料并探索用戶的潛在興趣是有價(jià)值的。例如，我們應(yīng)該對初生嬰兒的媽媽展示尿布，對1到2歲寶寶的媽媽展示兒童服裝，因?yàn)閶寢寕儠?huì)在特定階段對購買這些商品感興趣。我們設(shè)計(jì)了一種基于動(dòng)態(tài)融合方法的生命階段推斷，可用于預(yù)測用戶年齡并在電商推薦系統(tǒng)中使用。動(dòng)態(tài)融合的關(guān)鍵是維護(hù)具有不同分類結(jié)論的多個(gè)概率分布，并在合適的時(shí)候?qū)ζ溥M(jìn)行更新。長期來看，只有有限個(gè)概率分布會(huì)被保留下來，我們可以根據(jù)這些分布對生命階段進(jìn)行推斷。這樣做的優(yōu)點(diǎn)是無論對一個(gè)或是多個(gè)用戶都能使用統(tǒng)一的生命階段預(yù)測結(jié)構(gòu)，并且可以識別消費(fèi)者的短期偏好。