鄧成教授團隊2篇論文被國際頂級會議NeurIPS 2020錄用

近日，2020年度神經信息處理系統大會 (Conference on Neural Information Processing Systems，簡稱NeurIPS) 公布了論文接收結果。我院鄧成教授指導的2篇論文入選，分別為朱躍華博士、楊木李博士合作的工作“Less is More: A Deep Graph Metric Learning Perspective Using Few Proxies”（入選為Spotlight，接收率僅3%），以及楊旭博士的工作“Adversarial Learning for Robust Deep Clustering”（入選為Poster）。

NeurIPS 2020共收到9454篇有效投稿，接收論文1900篇，接收率約20.1%，為歷史新低，其中包含280篇Spotlight論文和105篇Oral論文。NeurIPS作為學術界、工業界公認的人工智能領域國際頂級會議的翹楚，代表著當今人工智能研究的最高水平。因為疫情原因，NeurIPS 2020組委會宣布將原定在加拿大溫哥華舉行的本次會議全程安排在線上舉行。

朱躍華博士、楊木李博士的論文“Less is More: A Deep Graph Metric Learning Perspective Using Few Proxies”提出了一種基于反向標簽傳播的深度圖度量學習網絡，通過設計一個新穎的反向標簽傳播算法，首次成功將圖分類范式融入到深度度量學習之中。該工作利用圖模型刻畫數據點的近鄰關系，受半監督學習中經典標簽傳播算法的啟發，設計了適用于度量學習的反向標簽傳播算法，利用已知標簽信息動態調控度量空間的流形結構，在提升度量學習任務精度的同時大大降低了以往方法高額的計算需求。值得一提的是，該方法可作為一個額外的損失函數附加于任意度量學習框架之上，具有很強的靈活性和泛化能力。該工作的創新性受到審稿人和領域主席的高度認可，并入選為大會的Spotlight。

基于反向標簽傳播的深度圖度量學習網絡框架

實驗結果表明，所提出的ProxyGML方法在提升度量任務精度的同時能有效提升訓練效率

楊旭博士的論文“Adversarial Learning for Robust Deep Clustering”提出了一種無監督對抗聚類網絡，首次嘗試利用對抗攻擊與防御方法提升深度聚類網絡的魯棒性。一方面，攻擊模型可以學習到一組輕微的擾動以干擾聚類網絡，從而在無標簽數據中準確挖掘不可靠、易錯分的樣本。另一方面，所提出的防御策略能夠利用所學到的擾動，結合對比學習針對性的強化聚類網絡，并提升網絡的整體性能。考慮到深度聚類和無監督學習的脆弱性，該方法的優勢在于能夠對聚類網絡進行“查漏補缺”，針對性的挖掘聚類網絡的弱點，并進一步優化網絡模型。

無監督對抗聚類網絡框架

實驗結果表明，所提出的對抗學習策略能夠有效挖掘易錯分的樣本及其類別信息，并對此進行針對性的優化，提升模型的魯棒性