喜报 | 我所3篇论文被人工智能顶级会议AAAI 2021录用

发布时间：2020年12月7日

      第25届国际人工智能会议（AAAI-2021）于2020年12月2日发布了论文录用结果，我所取得优异成绩，共有3篇论文被大会录用。

      论文一

      Pre-training Context and Time Aware Location Embeddings from Spatial-Temporal Trajectories for User Next Location Prediction

      该论文由我所博士生林彦、万怀宇老师、林友芳老师和博士生郭晟楠合作完成。

      该论文以在时空轨迹数据上预训练地点嵌入为研究目标。现有地点嵌入方法忽略了地点的多功能性，无法考虑同一地点在不同上下文环境中的不同地位；同时，许多地点嵌入方法也未能全面地将轨迹数据中的时间信息融入到模型中。针对以上问题，论文提出了一种对上下文和时间信息敏感的地点嵌入方法CTLE，根据目标地点特定的上下文环境来动态地生成其嵌入表示；同时，此方法全面地考虑了绝对和相对两方面的时间信息。在多个真实轨迹数据和下游预测模型上的实验表明，论文提出的CTLE超过了其他模型。

CTLE模型图

      论文二

      GSNet: Learning Spatial-Temporal Correlations from Geographical and Semantic Aspects for Traffic Accident Risk Forecasting

      该论文由我所硕士生王贝贝、万怀宇老师、林友芳老师和博士生郭晟楠合作完成。

      该论文以预测交通事故风险为研究目标。在现实场景中，交通事故的发生受到多种因素的影响，同时交通事故数据相对较少，在预测过程中，会出现零膨胀问题。为了解决以上问题，论文提出了一种从地理和语义两方面同时捕获复杂的时空相关性性；同时设计加权损失函数来解决零膨胀问题。在两个真实交通事故数据上实验表明，论文提出的GSNet超过了其他模型。

GSNet模型图

      论文三

      Attention-based Multi-Level Fusion Network for Light Field Depth Estimation

      该论文由我所硕士生陈佳欣、张硕老师和林友芳老师合作完成。

      从光场图像中提取深度信息对于光场相关的应用来说是一个非常重要的基础步骤。由于多视图包含大量的冗余信息，所以怎样有效地融合这些视图特征成为准确估计光场深度的一个关键步骤。

AttMLFNet模型图

      该论文提出了一个基于注意力机制的多层次特征融合网络（AttMLFNet）。通过结合四分支输入的网络结构，设计了分支间融合策略和分支内融合策略，分层次地去融合不同视图的有效特征。通过引入注意力机制，在分支内和分支间选择了有更少遮挡和更丰富纹理的特征来为深度估计提供信息。之后通过代价聚合得到最终的深度图。实验结果表明所提出的方法在结果上超过了其他先进的方法，并且在公共测评网站上排名第一。