Top AI Papers with Code

整理：Marlin

內(nèi)容：5篇AAAI論文簡介+GitHub地址

本文繼續(xù)整理了AAAI 2020在Github的熱門項(xiàng)目，并按照整理時(shí)star的數(shù)量進(jìn)行排序，以下內(nèi)容代碼都已經(jīng)公開或者即將公開，相關(guān)論文可以在Github上或者網(wǎng)絡(luò)下載，后續(xù)內(nèi)容持續(xù)更新，歡迎關(guān)注和收藏。

整理時(shí)間：2019-12-16

會議簡介: CCF A

[11] ?/kgu3/FLNet_AAAI2020

Description: FLNet: Landmark Driven Fetching and Learning Network for Faithful Talking Facial Animation Synthesis
代碼地址:?https://github.com/kgu3/FLNet_AAAI2020
Star: 8
作者單位: University of Illinois at Urbana-Champaign

文章提出了一個(gè)two-stream網(wǎng)絡(luò)，來生成會說話的面部動畫(talking facial animation)，其中從多個(gè)源圖像（而不是單個(gè)圖像）創(chuàng)建，這種做法保留了更多面部細(xì)節(jié)。具體來說，論文提出了一個(gè)由learning and fetching stream組成的網(wǎng)絡(luò)，fetching subnet可直接從五個(gè)源圖像中學(xué)習(xí)到扭曲和合并面部區(qū)域

[12] ?/agadetsky/pytorch-pl-variance-reduction

Description: Low-variance Black-box Gradient Estimates for the Plackett-Luce Distribution, AAAI 2020 and NeurIPS 2019 Bayesian Dee…
代碼地址:?https://github.com/agadetsky/pytorch-pl-variance-reduction
Star: 8
作者單位: University of Sussex

由于梯度估計(jì)存在高方差的特點(diǎn)，使用SGD學(xué)習(xí)有離散潛變量的模型仍然是一個(gè)問題。在這項(xiàng)工作中，文章考慮具有潛在排列的模型，并為Plackett-Luce分布提出了控制變量。特別是，控制變量能夠使用SGD來優(yōu)化排列上的黑盒函數(shù)。為了說明這種方法，文章考慮了連續(xù)和離散數(shù)據(jù)的各種因果結(jié)構(gòu)學(xué)習(xí)任務(wù)。論文表明，文章的方法優(yōu)于基于競爭松弛的優(yōu)化方法，也適用于不可微分函數(shù)。

[13] ?/RyanWangZf/Influence_Subsampling

Description: Official Implementation of Unweighted Influence Data Subsampling?(UIDS) - AAAI 2020

代碼地址:?https://github.com/RyanWangZf/Influence_Subsampling
Star: 8

作者單位: 清華-伯克利深研院，清華大學(xué)，華為Noah’s Ark Lab
大數(shù)據(jù)計(jì)算時(shí)，一般通過采樣來節(jié)省計(jì)算資源。以前的工作大都是基于加權(quán)的方法，目的是使子集上獲得的模型逼近全集上的模型，不過加權(quán)的方法沒有獲得比全集模型更好的模型。如何用更少的數(shù)據(jù)獲得更好的模型？文章提出了一種未加權(quán)Influence-based采樣（UIDS）方法，并證明了獲得的子集模型可以勝過完整模型。此外，文章證明，在 Influence-based子采樣方法中，通常對給定的測試集過分自信會導(dǎo)致最終子集模型在樣本外測試中失敗。為了緩解這種情況，文章提出了一種概率抽樣方案，以控制所有接近經(jīng)驗(yàn)分布的分布的最壞情況風(fēng)險(xiǎn)。實(shí)驗(yàn)結(jié)果表明，在文本分類，圖像分類，點(diǎn)擊預(yù)測等多種任務(wù)中，文章的方法優(yōu)于現(xiàn)有的子采樣方法。

[14] ?/zzhsysu/VA-ReID

Description: Viewpoint-Aware Loss with Angular Regularization for Person Re-Identification（AAAI-2020）
代碼地址:?https://github.com/zzhsysu/VA-ReID
Star: 6

作者單位: 騰訊優(yōu)圖，中山大學(xué)，南方科技大學(xué)
現(xiàn)有的大多數(shù)viewpoint-based的人Re-ID方法將來自每個(gè)視點(diǎn)的圖像投影到不相關(guān)的子空間中。他們僅對單個(gè)視點(diǎn)內(nèi)部的身份級別分布進(jìn)行建模，而忽略了不同視點(diǎn)之間的潛在關(guān)系。為了解決這個(gè)問題，文章提出了一種新穎的方法，稱為具有角度正則化的視點(diǎn)感知損失。文章的方法不是將每個(gè)視點(diǎn)的一個(gè)子空間投影到一個(gè)統(tǒng)一的超球面中，而是在身份級別和視點(diǎn)級別上對特征分布進(jìn)行有效建模。此外，文章沒有將不同的視點(diǎn)建模用于常規(guī)視點(diǎn)分類的硬標(biāo)簽，而是引入了視點(diǎn)感知的自適應(yīng)標(biāo)簽平滑規(guī)則化（VALSR），該功能將獲得軟標(biāo)簽分配給特征表示。

[15] ?/pcy1302/DMGI

Description: Unsupervised Attributed Multiplex Network Embedding (AAAI 2020)
代碼地址:?https://github.com/pcy1302/DMGI
Star: 6
作者單位:UIUC, Yahoo!, Pohang University of Science and Technology, Korea
Multiplex

網(wǎng)絡(luò)中的節(jié)點(diǎn)通過多種關(guān)系連接。但是，大多數(shù)現(xiàn)有的網(wǎng)絡(luò)嵌入方法都假定節(jié)點(diǎn)之間僅存在一種類型的關(guān)系。即使考慮了網(wǎng)絡(luò)的復(fù)用性的人，它們也忽略了節(jié)點(diǎn)屬性，如節(jié)點(diǎn)標(biāo)簽，并且無法為圖形的全局屬性建模。文章提出了一種稱為DMGI的屬性復(fù)用網(wǎng)絡(luò)，一種簡單而有效的無監(jiān)督網(wǎng)絡(luò)嵌入方法，該方法受Deep Graph Infomax（DGI）的啟發(fā)， 最大化圖的局部信息和整個(gè)圖的全局表示之間的相互信息。文章設(shè)計(jì)了一種系統(tǒng)的方法，通過引入以下方法來聯(lián)合集成來自多個(gè)圖的節(jié)點(diǎn)嵌入：1）consensus regularization框架，該框架最小化關(guān)系類型特定節(jié)點(diǎn)嵌入之間的分歧，2）通用標(biāo)識符，用于區(qū)分真實(shí)樣本，而與關(guān)系類型無關(guān)。文章還表明，注意力機(jī)制可以推斷每種關(guān)系類型的重要性，因此可以作為預(yù)處理步驟用于過濾不必要的關(guān)系類型。在各種下游任務(wù)上進(jìn)行的大量實(shí)驗(yàn)表明，即使完全沒有DMGI的監(jiān)督，DMGI的。

備注：公眾號菜單包含了整理了一本AI小抄，非常適合在通勤路上用學(xué)習(xí)。

往期精彩回顧2019年公眾號文章精選適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)在線手冊AI基礎(chǔ)下載（第一部分）備注：加入本站微信群或者qq群，請回復(fù)“加群”加入知識星球（4500+用戶，ID：92416895），請回復(fù)“知識星球”

喜歡文章，點(diǎn)個(gè)在看

總結(jié)

以上是生活随笔為你收集整理的顶会快讯|5篇AAAI2020相关论文抢先看（附GitHub代码地址）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。