高瓴人工智能学院师生论文被CCF A类会议IJCAI录用

4月20日，中国计算机学会（CCF）推荐的A类国际学术会议IJCAI-22论文接收结果公布。中国人民大学高瓴人工智能学院师生有6篇论文被录用。国际人工智能联合会议（International Joint Conference on Artificial Intelligence，简称为IJCAI）是人工智能领域中最主要的学术会议之一，也是中国人民大学A类学术会议。IJCAI-22录用率为15%。第31届国际人工智能联合会议和第25届欧洲人工智能会议（ECAI），将于7月23-29日在奥地利维也纳举行。

附：论文介绍

论文题目：A Survey of Vision-Language Pre-Trained Models（Survey Track）

作者：都一凡*，刘子康*，李军毅，赵鑫

论文概述：随着Transformer的演变与发展，预训练模型得到了越来越多的关注，在NLP和CV领域的主流技术中都有它们的身影。如何将预训练应用到视觉-语言学习领域，提升下游任务的性能成为了多模态学习的焦点问题。在本文中，我们总结了视觉-语言预训练模型（VL-PTM）的进展：首先，我们介绍了将图片和文本编码成向量的几种方式；其次，我们深入分析了VL-PTM在建模图文交互时用到的主流架构，并进一步介绍了广泛使用的预训练任务；此后我们介绍了一些常见的下游任务应用；最后我们对全文进行了总结并提出了一些未来研究的方向。我们的文章希望能够为视觉-语言预训练领域提供对过去研究的总结和对未来研究的展望。

论文题目：Distilling Governing Laws and Source Input for Dynamical Systems from Videos

作者：栾乐乐，刘扬，孙浩

论文概述：从数据中挖掘系统的控制方程是机器学习研究领域的热点。在过去的几年中，研究者们提出了很多基于数据驱动的系统控制方程提取，但是如何从视频中挖掘未知激励下运动物体的控制方程仍然是一个挑战。针对这个难点，我们提出了一种端到端的无监督学习框架从记录未知激励下物体运动的视频中直接提取控制方程。该方法主要包括以下几个步骤：提取运动目标像素像素信息、实现像素信息与物理状态的变换、利用稀疏回归提取控制方程、识别未知输入激励。需要注意的是，以上几个步骤是在同一个网络中端到端同时被训练的。与传统的从视频中提取物理规律方法不同，在我们的方法中，物体的控制方程是从“物理”坐标系当中提取的，因此可以提取较为复杂的控制方程例如本文所研究的微分方程。另外，本文提出的方法不需要提前告知运动方程的形式，并且未知激励也和运动方程一样被识别。该方法被验证可用于单物体或多物体、单自由度或多自由度物体运动视频。

论文题目：Understanding the Generalization Performance of Spectral Clustering Algorithms

作者：李少杰，欧阳晟，刘勇

论文概述：谱聚类的理论分析主要侧重于一致性，而泛化性能的研究较少。在本文中，我们研究了流行的谱聚类算法的超额风险界限（excess risk bound）：RatioCut 和 NCut。首先，对于RatioCut 和NCut的经验连续最优解和总体水平连续最优解之间的超额风险界限，我们给出了收敛性保证。其次，我们给出了影响经验离散最优解和总体水平离散最优解之间超额风险的基本度量。在经验层面，可以设计算法来减小这个度量。基于我们的理论分析，我们提出了两种新的算法，它们不仅可以惩罚这个度量，还可以对样本外的数据进行聚类，而无需再次对整体样本进行特征分解。实验验证了我们提出的算法的有效性。

论文题目：Optimal Rates for Distributed Learning with Random Features

作者：李健，刘勇

论文概述：在最近的分布式学习和随机特征的泛化理论研究中，通常需要假设目标概念存在于假设空间中。然而，这一严格条件不适用于更常见的不可知的情况，即目标模型可能不在假设空间中。在本文中，我们首先使用新的证明技巧，将具有随机特征的分布式学习的最佳速率扩展到不可知情形。然后，我们通过数据依赖的随机特征生成策略减少所需的特征数量，并使用额外的无标签数据提升分块数量。理论分析表明，这些技术显著地提升了存储计算效率，同时在标准假设下保持了最优的泛化误差收敛率。最后，在模拟数据集和真实数据集的实验结果验证了本文的理论发现。

论文题目：Ridgeless Regression with Random Features

作者：李健，刘勇，张莹莹

论文概述：近期的随机矩阵理论研究表明，核回归无需显式正则化（Ridgeless），仍可以保证良好的泛化能力。本文研究了使用随机特征和随机梯度下降的核回归的统计性质，分别研究随机梯度、随机特征对岭回归泛化性能的影响。其中，随着随机特征维度提升，测试误差出现双下降曲线（double descent）。在理论发现的推动下，本文提出了一种核学习算法，该算法在模型训练期间优化核函数对应的谱密度。本文工作将插值理论和实用算法联系起来。

论文题目：Optimal Anonymous Independent Reward Scheme Design（Short Paper）

作者：陈梦静，唐平中，王子贺，肖慎柯，杨希旺

论文概述：我们考虑设计一种平台的奖励机制使得里面的用户去创造一些高质量的内容，这是所有以用户上传内容为主的互联网平台所面临的共同问题。我们主要关注无歧视的用户独立奖励机制，每个内容生产者的奖励大小和自己的作品有关，和其他用户的作品无关。我们假设每个用户生产内容是有成本的，我们证明了这个问题的普遍版本是比较难的。而如果每个用户的成本函数是凸函数，并且和这个用户的能力呈线性关系，那么我们给出了一个高效的算法来得到最优的奖励机制；我们也证明了线性奖励机制有0.5的近似效果，并且界是紧的；最后证明了按比例分配机制可能表现会任意差。

（责任编辑：刘晓阳）