近日，我校開發區校區大連理工大學-立命館大學國際信息與軟件學院團隊的四項研究成果以及電信學部信息與通信工程學院團隊的一項研究成果被人工智能頂級會議AAAI Conference on Artificial Intelligence (AAAI’19) 錄用。

本屆AAAI大會投稿數量創下歷史新高，超過7700篇，其中只有1150篇被錄用，錄用率僅為16.2%，來自我校信息學科兩個學院共有五篇論文被錄取。截至目前，我校信息學科2018年已經在NIPS、AAAI、IJCAI等中國計算機學會（CCF）推薦為A類的人工智能頂級會議發表論文十餘篇，這些成果的取得標誌著我校在人工智能領域的研究得到了本領域同行的進一步認可。

被錄用論文簡介：

1.A Theoretically Guaranteed Deep Optimization Framework for Robust Compressive Sensing MRI

該成果來自於大連理工大學-立命館大學國際信息與軟件學院，主要作者包括劉日升副教授，張宇夕（研究生），程世超（博士生），樊鑫教授，羅鍾鉉教授。論文針對醫學領域的核磁共振圖像重構問題，提出了一種可以同時去除Rician噪聲和重構MRI圖像全新算法框架。該方法利用數據驅動的學習機制和模型驅動的優化機制分別實現偽影去除和細節恢復的工作，兩種機制所包含的三個模塊彼此互補，大大提高了重構精度；另一方面基於近端梯度的檢驗機制使算法的結果始終趨向於最優解，從而保證了收斂性和優化效率。

2.Task Embedded Coordinate Update: A Realizable Framework for Multivariate Non-convex Optimization

該成果來自於大連理工大學-立命館大學國際信息與軟件學院，由研究生劉日升副教授主導，與復旦大學合作完成。論文將數值算法和深度學習技術結合，在一個統一的框架下提出了一系列非凸問題的快速求解方法，將任務驅動策略嵌入到座標下降的優化機制中，解決具有耦合目標函數的多變量非凸優化問題。

3.Exploiting Local Feature Patterns for Unsupervised Domain Adaptation

該成果來自於大連理工大學-立命館大學國際信息與軟件學院，由劉日升副教授與浙江大學大學合作完成，文章指出現有遷移學習方法特徵提取過程中缺乏對數據分佈不一致的有效局部約束，在此基礎上提出了一種新的基於局部機制的跨域特徵遷移方法，並在大規模標準數據庫和真實數據上驗證了方法的有效性。

4.Asynchronous Proximal Stochastic Gradient Algorithm for Composition Optimization Problems

該成果來自於大連理工大學-立命館大學國際信息與軟件學院，由劉日升副教授與浙江大學合作完成，文章提出一種結合異步並行機制和組合方差下降技術的隨機梯度下降算法（SGD），從理論上給出了該算法在強凸和非凸情況下的最快收斂速度，併成功應用到一系列大規模非光滑正則化問題。

5.Deep Embedding Features for Salient Object Detection.

該工作來自於信息與通信工程學院盧湖川教授團隊。論文主要瞄準了目標顯著性檢測中存在的噪聲及特徵冗餘問題，提出了一種利用先驗特徵來過濾噪聲並準確定位顯著目標的位置的算法框架。該論文中提出的嵌入特徵模塊可以將先驗信息轉化為具有注意力機制的特徵，從而區分出圖像中的前景和背景；同時，該論文提出的遞歸特徵優化模塊可以不斷優化顯著預測圖，從而得到更準確的細節信息。

相關介紹：

AAAI成立於1979年，名為“美國人工智能協會”，2007年更名為“人工智能促進協會”。全球有超過4000名會員。其組織的“AAAI人工智能會議”，被認為是人工智能領域的頂級會議之一，被中國計算機學會（CCF）推薦國際學術會議列表認定為A類會議，在該領域具有極大的影響。今年AAAI是第 33 屆，將於 2019年1 月 27 日到 2月1 日在美國夏威夷州檀香山市舉辦。