近日，我校开发区校区大连理工大学-立命馆大学国际信息与软件学院团队的四项研究成果以及电信学部信息与通信工程学院团队的一项研究成果被人工智能顶级会议AAAI Conference on Artificial Intelligence (AAAI’19) 录用。

本届AAAI大会投稿数量创下历史新高，超过7700篇，其中只有1150篇被录用，录用率仅为16.2%，来自我校信息学科两个学院共有五篇论文被录取。截至目前，我校信息学科2018年已经在NIPS、AAAI、IJCAI等中国计算机学会（CCF）推荐为A类的人工智能顶级会议发表论文十余篇，这些成果的取得标志着我校在人工智能领域的研究得到了本领域同行的进一步认可。

被录用论文简介：

1.A Theoretically Guaranteed Deep Optimization Framework for Robust Compressive Sensing MRI

该成果来自于大连理工大学-立命馆大学国际信息与软件学院，主要作者包括刘日升副教授，张宇夕（研究生），程世超（博士生），樊鑫教授，罗钟铉教授。论文针对医学领域的核磁共振图像重构问题，提出了一种可以同时去除Rician噪声和重构MRI图像全新算法框架。该方法利用数据驱动的学习机制和模型驱动的优化机制分别实现伪影去除和细节恢复的工作，两种机制所包含的三个模块彼此互补，大大提高了重构精度；另一方面基于近端梯度的检验机制使算法的结果始终趋向于最优解，从而保证了收敛性和优化效率。

2.Task Embedded Coordinate Update: A Realizable Framework for Multivariate Non-convex Optimization

该成果来自于大连理工大学-立命馆大学国际信息与软件学院，由研究生刘日升副教授主导，与复旦大学合作完成。论文将数值算法和深度学习技术结合，在一个统一的框架下提出了一系列非凸问题的快速求解方法，将任务驱动策略嵌入到坐标下降的优化机制中，解决具有耦合目标函数的多变量非凸优化问题。

3.Exploiting Local Feature Patterns for Unsupervised Domain Adaptation

该成果来自于大连理工大学-立命馆大学国际信息与软件学院，由刘日升副教授与浙江大学大学合作完成，文章指出现有迁移学习方法特征提取过程中缺乏对数据分布不一致的有效局部约束，在此基础上提出了一种新的基于局部机制的跨域特征迁移方法，并在大规模标准数据库和真实数据上验证了方法的有效性。

4.Asynchronous Proximal Stochastic Gradient Algorithm for Composition Optimization Problems

该成果来自于大连理工大学-立命馆大学国际信息与软件学院，由刘日升副教授与浙江大学合作完成，文章提出一种结合异步并行机制和组合方差下降技术的随机梯度下降算法（SGD），从理论上给出了该算法在强凸和非凸情况下的最快收敛速度，并成功应用到一系列大规模非光滑正则化问题。

5.Deep Embedding Features for Salient Object Detection.

该工作来自于信息与通信工程学院卢湖川教授团队。论文主要瞄准了目标显著性检测中存在的噪声及特征冗余问题，提出了一种利用先验特征来过滤噪声并准确定位显著目标的位置的算法框架。该论文中提出的嵌入特征模块可以将先验信息转化为具有注意力机制的特征，从而区分出图像中的前景和背景；同时，该论文提出的递归特征优化模块可以不断优化显著预测图，从而得到更准确的细节信息。

相关介绍：

AAAI成立于1979年，名为“美国人工智能协会”，2007年更名为“人工智能促进协会”。全球有超过4000名会员。其组织的“AAAI人工智能会议”，被认为是人工智能领域的顶级会议之一，被中国计算机学会（CCF）推荐国际学术会议列表认定为A类会议，在该领域具有极大的影响。今年AAAI是第 33 届，将于 2019年1 月 27 日到 2月1 日在美国夏威夷州檀香山市举办。

责任编辑：姚璐