NIPS 2017：国内高校、机构参与论文入选情况（二）

2017 年 11 月 23 日 论智 Bot

论智

编译 | Bot

来源 | NIPS

NIPS 2017，即2017年全称神经信息处理系统大会（Conference and Workshop on Neural Information Processing Systems）将于12月4日—9日在美国西岸加州南部的城市长滩市（Long Beach）举办。近日，NIPS公布了会议pre-proceedings，列出了入选论文的详细情况。

上一篇可点击链接查看：NIP 2017：国内高校、机构参与论文入选情况（一）

摘要：低估、高估state/action函数值都不利于强化学习，在本文中，团队指出使用贝尔曼方程估计的state/action函数值可以被分解为一些遵循对数正态分布的path-wise值。由于对数正态分布是偏斜的，估计值的分布也能是偏斜的，这可能会导致低估/高估似然的不平衡。

地址：https://papers.nips.cc/paper/6777-log-normality-and-skewness-of-estimated-stateaction-values-in-reinforcement-learning.pdf

摘要：本论文讨论的内容是从二次方方程 yi=|⟨\bmai,\bmx⟩|2, 1≤i≤m中找出n元解法\bmx。

地址：papers.nips.cc/paper/6783-solving-almost-all-systems-of-random-quadratic-equations.pdf

摘要：在本文中，团队提出了一种名为Runtime Neural Pruning（RNP）的框架，能在运行时动态修剪深度神经网络。与现有的产生固定修剪模型的神经修剪方法不同，我们的方法保留了原网络的全部能力，并能根据输入图像和当前的特征图自适应修剪。

地址：papers.nips.cc/paper/6813-runtime-neural-pruning.pdf

摘要：在本文中，团队引入一种联想嵌入，这是一种用于检测和分组任务的监督卷积神经网络的新方法。许多计算机视觉问题可以用这种方式进行构建，包括多人姿态估计，实例分割和多目标跟踪。通常情况下，检测的分组是通过多级流水线来实现的，相反，我们提出了一种教导网络同时输出检测和组分配的方法。这种技术可以很容易地集成到任何先进的网络架构中，从而产生像素级的预测。

地址：papers.nips.cc/paper/6822-associative-embedding-end-to-end-learning-for-joint-detection-and-grouping.pdf

摘要：关于机器学习在电子商务耐用品、非耐用品销售上的一些讨论。根据实验，团队的算法可在购物类别、购物项目和购买时间的预测上给出更精准的答案。

地址：papers.nips.cc/paper/6835-scalable-demand-aware-recommendation.pdf

摘要：深度学习的最新进展使得深度哈希方法在图像检索方面取得了可喜的成果，然而，以前的深度哈希方法存在一些局限性（如语义信息未被充分利用）。在本文中，团队介绍了一个深度监督离散哈希算法的假设，提出了一种single-stage、end-to-end的关节点检测和分组方法。

地址：papers.nips.cc/paper/6842-deep-supervised-discrete-hashing.pdf

摘要：为求解高维的非凸正则化稀疏学习问题，团队提出了一种凸差（difference of convex/DC）近似牛顿算法。我们提出的算法将近似牛顿算法与基于凸差规划的多阶段凸松弛法（multi-stage convex relaxation）结合到了一起，从而在实现了强计算能力的同时保证了统计性。

地址：papers.nips.cc/paper/6867-on-quadratic-convergence-of-dc-proximal-newton-algorithm-in-nonconvex-sparse-learning.pdf

摘要：GBDT是一种流行的机器学习算法，有很多有效的实现，比如XGBoost和pGBRT。尽管这些实现已经采用了许多优化，但是当特征维数高且数据量大时，它们的效率和可扩展性仍然不令人满意。其中一个主要原因是对于每个特征，它们需要扫描所有实例来进行估计，这是十分耗时的。为了解决这个问题，团队提出了两种新方法：\emph{Gradient-based One-Side Sampling} (GOSS)和\emph{Exclusive Feature Bundling} (EFB).

地址：papers.nips.cc/paper/6907-a-highly-efficient-gradient-boosting-decision-tree.pdf

摘要：图形匹配是计算机视觉和机器学习领域的一个基本问题。它通常可被描述为具有双随机和离散（整数）约束的二次规划（QP）问题。它是一个NP困难，需要近似算法。在本文中，团队提出了一种新的算法，称为乘法更新图匹配（MPGM），提出用乘法更新技术来解决QP匹配问题。

地址：papers.nips.cc/paper/6911-graph-matching-via-multiplicative-update-algorithm.pdf

摘要：点过程在异步时序数据建模中正变得越来越流行，因为它具有良好的数学基础，并且能模拟现实世界的各种现象。由于它往往是用强度函数表征的，而且通过似然方法学习，会有一定局限。在这篇论文中，团队提出了一个无过程强度的点过程方法，可将nuisance processes转化为目标值。

地址：papers.nips.cc/paper/6917-wasserstein-learning-of-deep-generative-point-process-models.pdf

摘要：在这篇论文中，团队提出了一种高效的投影梯度下降法去极小化一个泛化的损失函数，并利用该方法同时解决了LDS空间上的聚类和稀疏编码问题。为此，他们首先给出LDS参数的一种新型的典范表示，然后巧妙地将目标函数梯度投影到LDS空间来实现梯度回传。

地址：papers.nips.cc/paper/6936-efficient-optimization-for-linear-dynamical-systems-with-applications-to-clustering-and-sparse-coding.pdf

摘要：本文研究的是噪声下的子集选择，即在加性噪声和乘性噪声条件下评价子集。为了掌握噪声带来的影响，团队首先在噪声环境下，给出贪婪算法和POSS的近似比，然后将噪声感知策略结合到POSS中，使新的PONSS算法具有更好的逼近率。

地址：papers.nips.cc/paper/6947-subset-selection-under-noise.pdf

摘要：略。

地址：papers.nips.cc/paper/6970-influence-maximization-with-varepsilon-almost-submodular-threshold-function.pdf

摘要：在本文中，团队提出了一种可用于CV任务的自适应卷积神经网络（ACNN），其中卷积滤波器权重通过边信息适应当前场景。具体来说，他们将filter权重模型化为filter权重的高维空间中的低维流形。filter权重是使用学习生成的过滤歧管“子网，其输入是边信息。在边信息和自适应权重的帮助下，ACNN可以找出边信息的相关变化，并提取与当前场景相关的判别特征（如摄像机视角、噪声水平、模糊核参数）。

地址：papers.nips.cc/paper/6976-incorporating-side-information-by-adaptive-convolution.pdf