8 月 23 日， KDD 2018(知识发现与数据挖掘大会)在伦敦落幕。今年是KDD历史上的第 24 次会议，作为数据挖掘领域的国际顶级会议，本届 KDD吸引了全球范围内共 1480 篇论文投递，共收录 293 篇，录取率不足 20%，优必选悉尼AI研究院今年有两篇论文入选。

此次优必选悉尼AI研究院入选的两篇论文如下：

论文一：Towards Evolutionary Compression

      压缩卷积神经网络(CNN)对于将CNN成功转移到移动设备的各种应用至关重要。不同于直接识别给定CNN中的冗余权重或滤波器，本文提出了一种自动消除冗余卷积滤波器的进化算法。我们将每个压缩网络表示为特定适合度的二进制数列。然后，使用遗传算法在每次迭代中进化该数列。使用此数列可以得到由最适合的权重和滤波器生成的紧凑的CNN，并且这个CNN具有原始网络结构并且可以直接部署在任何已有的深度学习库中。在这种方法中，大型或小型卷积滤波器都可能是冗余的(可以删除的)，这使得到的压缩网络中的滤波器区分度更高。另外，由于减少了每个卷积层中的滤波器的数量，滤波器通道的数量和特征图的尺寸也减小，这改善了网络的压缩比和加速比。实验表明，所提出的算法优于现有的全部压缩技术。例如，结合参数优化方法，在不影响其精度的情况下，我们可以将ResNet- 50 的存储空间和浮点乘法所需内存分别降低14. 64 倍和5. 19 倍。

论文二：Deep r -th Root of Rank Supervised Joint Binary Embedding for Multivariate Time Series Retrieval

      多变量时间序列数据在许多现实世界的应用中变得越来越普遍，例如，电厂监控，医疗保健，可穿戴设备，汽车等。因此，多变量时间序列检索，即给定当前多变量时间序列段，如何在历史数据(或数据库)中获取其相关的时间序列段，吸引了许多领域的兴趣。然而，构建这样的系统具有挑战性，因为它需要原始时间序列的紧凑表示，用来编码时间动态以及不同时间序列对(传感器)之间的相关性(相互作用)。此外，它需要高的查询效率，并期望返回的排序列表的顶部具有高精度。尽管已经开发了各种方法，但很少有方法可以同时解决这两个挑战。为了解决这个问题，我们提出了一个深度r-root的秩监督联合二进制嵌入方法(Deep r-RSJBE)来执行多变量时间序列检索。给定原始多变量时间序列段，用长短时记忆(LSTM)结构来编码时间动态和利用卷积神经网络(CNN)来编码不同时间序列对(传感器)之间的相关性(相互作用)。随后通过结合时间动态和数据的相关性得到联合的二进制嵌入。我们开发了一种新的r-th根排序损失以优化汉明距离排名列表顶部的精度。在三个公开并可用的时间序列数据集上的实验证明了Deep r-RSJBE的有效性和效率。

      今年以来，优必选研究院在学术领域取得了多项重要突破，除了在AAAI、CVPR、ECCV等顶级学术会议上连续发表多篇论文，还在国际比赛上屡获殊荣：在第 22 届机器人足球世界杯(RoboCup)上，优必选研究院在人形机器人成人组(AdultSize)技术挑战赛和一对一足球比赛中分别获得亚军和季军;在2018 Robust视觉挑战赛(Robust Vision Challenge)图片深度识别单元(Single Image Depth Prediction)中，优必选悉尼AI研究院获得冠军;在 2018 视觉问答挑战赛( Visual Question Answering Challenge)上，优必选悉尼AI研究院取得亚军，仅次于Facebook人工智能研究院。

     近年来，优必选一直在科研领域积极布局。目前，公司已与清华大学成立了智能服务机器人联合实验室，与悉尼大学成立了人工智能研究院，与华中科技大学成立了机器人联合实验室，在人形机器人驱动伺服、步态运动控制算法、机器视觉、语音/语义理解、情感识别、U-SLAM(即时定位与地图构建)等领域进行深耕。未来，优必选将继续与国内外顶尖企业、高校及研究机构展开深度合作，通过不断地探索和创新，进一步确立优必选全球人工智能服务机器人领导地位。

本文由站长之家用户投稿，未经站长之家同意，严禁转载。如广大用户朋友，发现稿件存在不实报道，欢迎读者反馈、纠正、举报问题（反馈入口）。

免责声明：本文为用户投稿的文章，站长之家发布此文仅为传递信息，不代表站长之家赞同其观点，不对对内容真实性负责，仅供用户参考之用，不构成任何投资、使用建议。请读者自行核实真实性，以及可能存在的风险，任何后果均由读者自行承担。