近日,学院五篇学术论文被国际顶会AAAI Conference on Artificial Intelligence (AAAI-25)录用,以上论文作者全部来自软件工程与教学研究中心,充分彰显了该基层学术组织在人工智能领域的创新实力,为相关技术的发展提供了新的动力。据了解,本届AAAI会议收到了12957篇有效投稿,其中7925篇进入评审环节,最终仅录用了3032篇论文,录用率为 23.4%。
第一篇论文“Zero-Shot Noise2Mean: Gap Minimization for Efficient Denoising from a Single Noisy Image”,作者刘铎、史一岐、张国印、李思照和张立国。论文通过减少及消除噪声图像与清晰图像之间的差距来实现高质量的图像去噪,所提出的“Zero-Shot Noise2Mean”不需要训练数据或噪声分布的先验知识。作者设计了两个轻量级网络,可以仅使用单个噪声测试图像进行训练。实验表明,该方法在去噪性能和效率方面均表现出色,达到了更好的去噪效果。
第二篇论文“MTVHunter: Smart Contracts Vulnerability detection based on Multi-Teacher Knowledge Translation”,作者孙国凯、庄园、张硕、冯小雨、刘振广和张立国。论文提出了一种基于多教师的字节码漏洞检测方法,即多教师漏洞猎人(MTVHunter),该方法在多教师指导下对字节码进行有效的去噪和缺失语义。大量实验表明,与最先进的方法相比,MTVHunter 取得了显着的性能提升。
第三篇论文“MIMTrack: In-Context Tracking via Masked Image Modeling”,作者王兴梅、聂国豪、孟稼祥和阎梓宁。论文主要对基于图像生成的目标跟踪技术进行研究,旨在减少目标预测阶段可能引入的位置和规模偏移。MIMTrack将跟踪定义为结合上下文学习(In-context learning, ICL)的掩码图像建模(Masked Image Modeling, MIM)过程。设计一种目标图像,将目标边界框编码为与视频帧相同的图像表示,基于MIM过程,其他跟踪图像的上下文被用于重建遮蔽后的目标图像像素,从而将跟踪变换为统一RGB空间,自然对齐所有状态预测。实验结果表明,MIMTrack在多个基准数据集上领先的传统方法,显示了生成式目标跟踪框架的简单和有效性。
第四篇论文“Int*-Match: Balancing Intra-Class Compactness and Inter-Class Discrepancy for Semi-supervised Speaker Recognition”,作者王兴梅、刘菁瀚、孟稼祥、李博权和刘子健。论文主要针对半监督说话人识别方法进行研究,旨在解决现有半监督学习方法无法平衡开集说话人识别任务的类间差异性和类内紧凑性问题,提高无标注数据的利用率并充分发挥标注数据的优势。Int*-Match提出了一种全新的伪标签选择策略,在稳定提升伪标签类内紧凑性的前提下降低类间差异性阈值。实验结果表明,Int*-Match在半监督说话人识别任务中显著优于现有方法,使用部分标注数据就可以实现接近全监督学习的性能。
第五篇论文“From Pairwise to Ranking: Climbing the Ladder to Ideal Collaborative Filtering with Pseudo-Ranking”,作者赵雨涵、陈睿、陈黎、张爽、韩启龙和宋洪涛。理想的协同过滤模型应当从用户对所有物品的完整排序中进行学习,以便做出最佳的top-K推荐。然而,由于实际中缺乏这种完整排序,大多数模型依赖于成对损失函数来近似,导致了巨大的性能差距。论文通过引入由噪声注入机制监督的排序器对无标签样本进行排序,以解决排序信息缺乏的问题,并设计一种新的排序损失函数,有效处理排序信息,为了缓解伪排序中的潜在不准确性,提出基于梯度的置信机制,以减轻异常梯度,实验结果表明该方法显著提升了协同过滤模型推荐性能。
AAAI全称美国人工智能协会人工智能大会(AAAI Conference on Artificial Intelligence),宗旨在于推动人工智能(AI)领域的研究,并促进人工智能领域及其相关学科之间的学术交流。AAAI会议创办于1987年,今年是第39届,是人工智能领域的顶级会议之一,由国际人工智能协会主办,同时被中国计算机学会(CCF)期刊会议推荐列表评为A类会议,本届会议将于2025年2月25日至3月4日在美国宾夕法尼亚州费城的宾夕法尼亚会议中心举行。