顶会快讯|5篇AAAI2020相关论文抢先看（附GitHub代码地址）

Top AI Papers with Code

整理：Marlin

内容：5篇AAAI论文简介+GitHub地址

本文继续整理了AAAI 2020在Github的热门项目，并按照整理时star的数量进行排序，以下内容代码都已经公开或者即将公开，相关论文可以在Github上或者网络下载，后续内容持续更新，欢迎关注和收藏。

整理时间：2019-12-16

会议简介: CCF A

[11]  /kgu3/FLNet_AAAI2020

Description: FLNet: Landmark Driven Fetching and Learning Network for Faithful Talking Facial Animation Synthesis
代码地址: https://github.com/kgu3/FLNet_AAAI2020
Star: 8
作者单位: University of Illinois at Urbana-Champaign

文章提出了一个two-stream网络，来生成会说话的面部动画(talking facial animation)，其中从多个源图像（而不是单个图像）创建，这种做法保留了更多面部细节。具体来说，论文提出了一个由learning and fetching stream组成的网络，fetching subnet可直接从五个源图像中学习到扭曲和合并面部区域

[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…
代码地址: https://github.com/agadetsky/pytorch-pl-variance-reduction
Star: 8
作者单位: University of Sussex

由于梯度估计存在高方差的特点，使用SGD学习有离散潜变量的模型仍然是一个问题。在这项工作中，文章考虑具有潜在排列的模型，并为Plackett-Luce分布提出了控制变量。特别是，控制变量能够使用SGD来优化排列上的黑盒函数。为了说明这种方法，文章考虑了连续和离散数据的各种因果结构学习任务。论文表明，文章的方法优于基于竞争松弛的优化方法，也适用于不可微分函数。

[13]  /RyanWangZf/Influence_Subsampling

Description: Official Implementation of Unweighted Influence Data Subsampling (UIDS) - AAAI 2020

代码地址: https://github.com/RyanWangZf/Influence_Subsampling
Star: 8

作者单位: 清华-伯克利深研院，清华大学，华为Noah’s Ark Lab
大数据计算时，一般通过采样来节省计算资源。以前的工作大都是基于加权的方法，目的是使子集上获得的模型逼近全集上的模型，不过加权的方法没有获得比全集模型更好的模型。如何用更少的数据获得更好的模型？文章提出了一种未加权Influence-based采样（UIDS）方法，并证明了获得的子集模型可以胜过完整模型。此外，文章证明，在 Influence-based子采样方法中，通常对给定的测试集过分自信会导致最终子集模型在样本外测试中失败。为了缓解这种情况，文章提出了一种概率抽样方案，以控制所有接近经验分布的分布的最坏情况风险。实验结果表明，在文本分类，图像分类，点击预测等多种任务中，文章的方法优于现有的子采样方法。

[14]  /zzhsysu/VA-ReID

Description: Viewpoint-Aware Loss with Angular Regularization for Person Re-Identification（AAAI-2020）
代码地址: https://github.com/zzhsysu/VA-ReID
Star: 6

作者单位: 腾讯优图，中山大学，南方科技大学
现有的大多数viewpoint-based的人Re-ID方法将来自每个视点的图像投影到不相关的子空间中。他们仅对单个视点内部的身份级别分布进行建模，而忽略了不同视点之间的潜在关系。为了解决这个问题，文章提出了一种新颖的方法，称为具有角度正则化的视点感知损失。文章的方法不是将每个视点的一个子空间投影到一个统一的超球面中，而是在身份级别和视点级别上对特征分布进行有效建模。此外，文章没有将不同的视点建模用于常规视点分类的硬标签，而是引入了视点感知的自适应标签平滑规则化（VALSR），该功能将获得软标签分配给特征表示。

[15]  /pcy1302/DMGI

Description: Unsupervised Attributed Multiplex Network Embedding (AAAI 2020)
代码地址: https://github.com/pcy1302/DMGI
Star: 6
作者单位:UIUC, Yahoo!, Pohang University of Science and Technology, Korea
Multiplex

网络中的节点通过多种关系连接。但是，大多数现有的网络嵌入方法都假定节点之间仅存在一种类型的关系。即使考虑了网络的复用性的人，它们也忽略了节点属性，如节点标签，并且无法为图形的全局属性建模。文章提出了一种称为DMGI的属性复用网络，一种简单而有效的无监督网络嵌入方法，该方法受Deep Graph Infomax（DGI）的启发， 最大化图的局部信息和整个图的全局表示之间的相互信息。文章设计了一种系统的方法，通过引入以下方法来联合集成来自多个图的节点嵌入：1）consensus regularization框架，该框架最小化关系类型特定节点嵌入之间的分歧，2）通用标识符，用于区分真实样本，而与关系类型无关。文章还表明，注意力机制可以推断每种关系类型的重要性，因此可以作为预处理步骤用于过滤不必要的关系类型。在各种下游任务上进行的大量实验表明，即使完全没有DMGI的监督，DMGI的。

备注：公众号菜单包含了整理了一本AI小抄，非常适合在通勤路上用学习。

往期精彩回顾




2019年公众号文章精选适合初学者入门人工智能的路线及资料下载机器学习在线手册深度学习在线手册AI基础下载（第一部分）备注：加入本站微信群或者qq群，请回复“加群”加入知识星球（4500+用户，ID：92416895），请回复“知识星球”

喜欢文章，点个在看