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的熱門項目，并按照整理時star的數(shù)量進行排序，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)，其中從多個源圖像（而不是單個圖像）創(chuàng)建，這種做法保留了更多面部細節(jié)。具體來說，論文提出了一個由learning and fetching stream組成的網(wǎng)絡(luò)，fetching subnet可直接從五個源圖像中學習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

由于梯度估計存在高方差的特點，使用SGD學習有離散潛變量的模型仍然是一個問題。在這項工作中，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)學習任務(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，華為Noah’s Ark Lab
大數(shù)據(jù)計算時，一般通過采樣來節(jié)省計算資源。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)驗分布的分布的最壞情況風險。實驗結(jié)果表明，在文本分類，圖像分類，點擊預測等多種任務(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，南方科技大學
現(xiàn)有的大多數(shù)viewpoint-based的人Re-ID方法將來自每個視點的圖像投影到不相關(guān)的子空間中。他們僅對單個視點內(nèi)部的身份級別分布進行建模，而忽略了不同視點之間的潛在關(guān)系。為了解決這個問題，文章提出了一種新穎的方法，稱為具有角度正則化的視點感知損失。文章的方法不是將每個視點的一個子空間投影到一個統(tǒng)一的超球面中，而是在身份級別和視點級別上對特征分布進行有效建模。此外，文章沒有將不同的視點建模用于常規(guī)視點分類的硬標簽，而是引入了視點感知的自適應(yīng)標簽平滑規(guī)則化（VALSR），該功能將獲得軟標簽分配給特征表示。

[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)點之間僅存在一種類型的關(guān)系。即使考慮了網(wǎng)絡(luò)的復用性的人，它們也忽略了節(jié)點屬性，如節(jié)點標簽，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圖的全局表示之間的相互信息。文章設(shè)計了一種系統(tǒng)的方法，通過引入以下方法來聯(lián)合集成來自多個圖的節(jié)點嵌入：1）consensus regularization框架，該框架最小化關(guān)系類型特定節(jié)點嵌入之間的分歧，2）通用標識符，用于區(qū)分真實樣本，而與關(guān)系類型無關(guān)。文章還表明，注意力機制可以推斷每種關(guān)系類型的重要性，因此可以作為預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)上進行的大量實驗表明，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習。

往期精彩回顧2019年公眾號文章精選適合初學者入門人工智能的路線及資料下載機器學習在線手冊深度學習在線手冊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“加群”加入知識星球（4500+用戶，ID：92416895），請回復“知識星球”

喜歡文章，點個在看

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，歡迎將生活随笔推薦給好友。