AAAI 2020：我国论文录取数量盘踞榜首，清华夺得最佳学生论文

作为被中国计算机学会的国际学术会议排名以及清华大学的计算机科学推荐学术会议和期刊列表中同时列为人工智能领域的A类顶级会议，人工智能领域的最重磅会议之一，第三十四届美国人工智能协会会议AAAI 于2月7日在美国纽约正式拉开帷幕，大会聚集了全球顶尖的人工智能领域专家学者，可谓是人工智能领域的科研风向标。

据了解，AAAI 2020大会已经收到了各国研究者投来的9200余篇论文摘要，这一数字已经超过了去年大会的150％。截止论文提交日期，共有7737 篇论文进入评审环节，但最终录取数量仅仅只有1591篇，录取率为20．6％，在所有评审中有接近70．5％的论文（即5453篇）都是由学生完成。

本届会议注册参会人数达到4000多人，但由于疫情在中国的影响，多达800名中国注册人员无法参会。AAAI组委会也面向中国学者做出了相应调整，允许实时在线报告或录制视频。据统计，我国AI论文投稿文章数量多达3189篇，位居榜首，占到总投稿的41％（3189／7737），录取论文占到总录取文章的37％，且录取论文比美国多222篇。

清华夺得最佳学生论文

其中，最佳论文由艾伦人工智能研究院和华盛顿大学的研究者获得，而清华姚班首届门生贝小辉和姚班本科生李子豪发表的《可分割与不可分割商品混合情况下的公平分配》，攻克了算法博弈难题，摘得最佳学生论文。

从各种研究课题来看，机器学习仍然是人工智能领域最火热的探索重点，其次是计算机视觉研究、自然语言处理和应用。

百度被收录28篇论文

本届大会中，百度共有28篇论文被收录。在NLP预训练领域，百度入选论文《ERNIE 2．0： A Continual Pre－training framework for Language Understanding》同时也被选做Oral进行展示。ERNIE2．0是持续学习的语义理解框架，可以在海量数据中逐步学习知识，不断提高语义理解效果。通过ERNIE2．0，知识可以被添加到预训练任务形式的框架中，每当引入新的任务，该框架可以学习与训练同时进行。基于该框架，Ernie2．0模型通过命名实体预测、句子排序结构重建、语义逻辑关系预测等预训练任务，从大规模训练数据中获取词汇、句法、语义等维度的知识，大大提高了一般语义理解水平。

机器阅读理解领域，百度入选论文《A Robust Adversarial Training Approach to Machine Reading Comprehension》，讨论了机器阅读理解模型面临对抗攻击时的效果鲁棒性问题以及安全问题。通过手动操作发现，总结和产生对样本的训练方法将需要人工干预的方式，并且不可能通过规则的方式列举所有可能的对抗样品类型和规则。论文提出了一种模型驱动的方法，它可以自动识别未观察到的对抗样本类型，并最终提高阅读理解的鲁棒性并且无需人工参与。

经实验验证，运用论文中的对抗训练方法后，在不同的对抗数据集上均有非常显著的效果提升。并且发现模型驱动的方法确实能够产生对更丰富的对抗样本，从而补充人工制定规则的缺失部分。同时，还发现使用该方法生成的对抗性样本案例仍然比较杂乱，不具备良好的流畅性甚至完全不自然的语言，因此目前的对抗性生成方法仍有很大的改进空间。

在计算机视觉领域，百度入选论文《ZoomNet： Part－Aware Adaptive Zooming Neural Network for 3D Object Detection》。论文提出了双目3D检测框架ZoomNet，通过精巧地利用自适应缩放，以减少深度估计误差距离，包括学习部位特征来进一步提高3D检测的性能。

论文指出，对于每个实例，ZoomNet获得有关边界框后，细粒度分析的第一个例子在的2D完成。然后，前景像素将在2D转换成3D空间回归姿态进行投影。充分利用了RGB图像及时更准确的视差估计的质感丰富的优势，ZoomNet引入了一个简单的模块化概念 － 自适应缩放。模块，该模块同时将2D实例边界框的大小调整为统一的分辨率，并相应对相机的内部参数调整，以达到更高质量的视差图。

写在最后

AI作为引领新一轮科技革命和产业变革的战略性技术，我国永远不缺少在人工智能领域的探索先锋。并且随着大数据、人工智能和云计算等最新技术的创新发展，科技巨头们也正积极布局AI产业生态链，逐步推动AI技术商用场景落地，相信2020年AI的相关产业也将如火如荼的发展。