首页 新闻资讯 学院新闻

信息学部三篇论文被2019年国际人工智能联合会议录用 2019-05-19 |

将于2019年8月10-16日在澳门举办的人工智能领域会议IJCAI (International Joint Conference on Artificial Intelligence)于近日公布了录用结果,我院信息科学与技术学部共有三篇论文入选。IJCAI是人工智能领域最具影响力的学术会议之一,首届会议于1969年召开,今年也是IJCAI的五十周年庆典。近年来,随着人工智能领域研究的蓬勃发展,会议的规模和影响力不断增加,今年共收到投稿4752篇,录用850篇,录用率仅为18%。相较于2018年,投稿量增加一千余篇,而录用率则降低了近三个百分点。

我院此次被录用的三篇论文分别为:1)“Towards Discriminative Representation Learning for Speech Emotion Recognition”(学生作者:李润楠,2015级博士生;导师:吴志勇);2)“Automatic Grassland Degradation Estimation Using Deep Learning” (学生作者:闫茜宇,2017级博士生;导师:江勇);3)“An Input-Aware Factorization Machine for Sparse Prediction”(学生作者:于延涛,2017级硕士生;导师:袁博)。

28.jpg

图为论文学生作者:李润楠、闫茜宇、于延涛(从左到右)

李润楠同学的论文针对在构建语音情感识别系统时,如何从用户输入的语音中提取出具有高度鲁棒性与辨别度的语音情感表征这一核心问题,基于人类语音情感感知机理,提出了一种结合不同层级注意力机制的深度学习网络框架。该框架在情感特征提取阶段采用了多头自注意力(Multi-head Self-attention)算法以选择性地从情感凸显的语音段中导入信息。在表征生成阶段采用了全局上下文注意力感知(Global Context-aware Attention, GCA-LSTM)算法,利用独特的信息量计算方法生成鲁棒性的语音情感表征。通过结合这两个模块,该框架可以更多地关注情感相关的语音特征,忽略与语音情感无关的信息,增强了系统在复杂环境中识别语音情感信息的能力。

29.jpg

图为语音情感识别系统框架

受全球生态变化和过度放牧的影响,全球草原生态系统面临着严重退化,因此对草原退化程度的合理评估对后续开展有效的治理工作至关重要。然而,目前的草原退化评估主要依赖人眼观测和手工测量,耗时耗力且准确率欠佳。基于这一挑战,闫茜宇同学在论文中提出利用计算机视觉技术评估草原退化程度,通过深度学习模型对真实的草原场景图像进行识别并根据识别结果计算退化指示草种的盖度,进而自动评估草原的退化程度。

30.jpg

32.jpg

图为对草原图像的语义分割及退化估计结果

因式分解机(FM)是一类能有效处理稀疏数据的通用预测器,它使用分解参数和特征权重来表示特征。然而,同一特征在不同的场景下可能拥有不同的预测能力,但传统的FM针对每个特征只有一种固定表示,因此在精度上会受到一定的影响。于延涛同学在论文中通过分析和利用特定输入对特征表示的影响的思路来改进现有的FM,提出了一种名为输入敏感的因子分解机(IFM)模型,利用神经网络学习每个特征在不同实例中的个性化因子,进而改善特征在不同实例中的表征。在标准测试数据集上的实验结果表明,IFM明显优于标准的FM模型并且优于四种主流的基于深度学习的方法。

31.jpg

图为IFM模型的核心框架

近年来,信息科学与技术学部在人工智能领域的科学研究和学生培养方面不断锐意进取,积极参与国际学术交流与合作,逐步形成了明确的研究方向和人才培养特色。本次有三篇论文被人工智能领域顶级会议录用,进一步展现了我院在相关领域的研究水平达到了新的高度。(文、图/ 吴志勇、袁博)