新火種
2024-01-25 
AI國(guó)際頂會(huì)ICLR2024結(jié)果揭曉，螞蟻集團(tuán)11篇論文入選
近日，人工智能頂會(huì)之一ICLR 2024錄用結(jié)果揭曉，螞蟻集團(tuán)有11篇論文被收錄，其中1篇為Oral，3篇為Spotlight，7篇為Poster，螞蟻集團(tuán)在AI學(xué)術(shù)領(lǐng)域的進(jìn)展受到關(guān)注。
（圖：螞蟻集團(tuán)的《長(zhǎng)視頻中的多粒度噪聲關(guān)聯(lián)學(xué)習(xí)》被收錄為Oral論文）
ICLR組委會(huì)今年共收到了7262篇論文投稿，錄用率約為31%。其中，1.2%被錄用為Oral論文，作者獲得10分鐘的口頭演講，5%被錄用為Spotlight論文，獲得4分鐘的聚光燈展示；Poster論文則以海報(bào)形式展示。論文的重要性按此三類(lèi)遞減。
每年，ICLR Oral論文中一大半的論文會(huì)成為“ICLR Best Paper”，同時(shí)也代表了新一年的研究方向，今年ICLR評(píng)出的Oral論文共85篇，其中包括螞蟻集團(tuán)的《Multi-granularity Correspondence Learning from Noisy Instructional Videos》（長(zhǎng)視頻中的多粒度噪聲關(guān)聯(lián)學(xué)習(xí)）。
短視頻已成為大眾日常生活的主要娛樂(lè)方式，多模態(tài)技術(shù)也是當(dāng)前AI的熱門(mén)領(lǐng)域，由于過(guò)高的計(jì)算資源開(kāi)銷(xiāo)，現(xiàn)有的視頻工作主要集中于片段的理解，而忽視了長(zhǎng)視頻中的時(shí)序依賴(lài)。該論文將長(zhǎng)視頻學(xué)習(xí)轉(zhuǎn)化為短視頻片段間的關(guān)聯(lián)對(duì)齊，針對(duì)視頻與文本間顯著存在的噪聲關(guān)聯(lián)問(wèn)題，提出了統(tǒng)一的最優(yōu)傳輸對(duì)齊方案，顯著提升了長(zhǎng)視頻理解能力并節(jié)省了時(shí)間開(kāi)銷(xiāo)。
這個(gè)方案還具有通用性，提出的噪聲關(guān)聯(lián)處理方法可應(yīng)用于其他模態(tài)需要進(jìn)行內(nèi)容對(duì)齊的模型預(yù)訓(xùn)練學(xué)習(xí)中。
收錄為Spotlight的3篇論文分別是《iTransformer: Inverted Transformers Are Effective for Time Series Forecasting》（iTransformer：倒置Transformer對(duì)時(shí)序預(yù)測(cè)更加有效），講述一種新的時(shí)間序列預(yù)測(cè)工作，打破常規(guī)模型結(jié)構(gòu)，在復(fù)雜時(shí)序預(yù)測(cè)任務(wù)中取得了全面領(lǐng)先；《Enhanced Face Recognition using Intra-class Incoherence Constraint》（利用類(lèi)內(nèi)不一致性約束增強(qiáng)的人臉識(shí)別技術(shù)），引入一個(gè)新的方法，進(jìn)一步提高人臉識(shí)別的精確度。《Finite-State Autoregressive Entropy Coding for Efficient Learned Lossless Compression》（基于查找表實(shí)現(xiàn)的可學(xué)習(xí)自回歸模型用于高效無(wú)損壓縮算法），提出了一種新的算法，實(shí)現(xiàn)了高壓縮率、高吞吐率的無(wú)損壓縮。
自2017年以來(lái)，ICLR每年收到的論文數(shù)量以30%的速度增長(zhǎng)，其它兩個(gè)人工智能頂會(huì)NeurIPS、ICML也是高增長(zhǎng)。在上個(gè)月舉行的NeurlPS上，螞蟻集團(tuán)共有20篇論文被收錄，覆蓋計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、圖神經(jīng)網(wǎng)絡(luò)、圖像處理等多個(gè)人工智能和機(jī)器學(xué)習(xí)領(lǐng)域的前沿主題。
（圖：ICLR自2013年成立以來(lái)，每年的論文數(shù)量情況。2017年開(kāi)始，論文數(shù)量攀升。）
ICLR近年受到業(yè)內(nèi)好評(píng)，主要原因是其推行的Open Review評(píng)審制度，所有提交的論文都會(huì)接受所有同行的評(píng)價(jià)及提問(wèn)，任何學(xué)者都可匿名或?qū)嵜卦u(píng)價(jià)論文。而在公開(kāi)評(píng)審結(jié)束后，論文作者也能夠?qū)φ撐倪M(jìn)行調(diào)整和修改。
據(jù)了解，過(guò)去五年，螞蟻集團(tuán)在國(guó)際頂級(jí)學(xué)術(shù)期刊和學(xué)術(shù)會(huì)議上發(fā)表論文近500篇，其中AI領(lǐng)域的論文300余篇。螞蟻集團(tuán)在人工智能領(lǐng)域持續(xù)進(jìn)行技術(shù)投入，基于大規(guī)模業(yè)務(wù)場(chǎng)景的需求，布局了包括大模型、知識(shí)圖譜、運(yùn)籌優(yōu)化、圖學(xué)習(xí)、可信AI等在內(nèi)的技術(shù)領(lǐng)域。
相關(guān)推薦
- 免責(zé)聲明
- 本文所包含的觀點(diǎn)僅代表作者個(gè)人看法，不代表新火種的觀點(diǎn)。在新火種上獲取的所有信息均不應(yīng)被視為投資建議。新火種對(duì)本文可能提及或鏈接的任何項(xiàng)目不表示認(rèn)可。 交易和投資涉及高風(fēng)險(xiǎn)，讀者在采取與本文內(nèi)容相關(guān)的任何行動(dòng)之前，請(qǐng)務(wù)必進(jìn)行充分的盡職調(diào)查。最終的決策應(yīng)該基于您自己的獨(dú)立判斷。新火種不對(duì)因依賴(lài)本文觀點(diǎn)而產(chǎn)生的任何金錢(qián)損失負(fù)任何責(zé)任。
