西电主页 English 宣传部
西电要闻
表格等宽内容时,请左右滑动 <>
【创新西电】计科院赵伟教授团队获AAAI 2024最佳论文奖
时间:2024-02-27 10:06:51来源:计算机科学与技术学院点击:

西电新闻网讯(通讯员 杨力)北京时间2月23日凌晨,在加拿大温哥华召开的第38届AAAI人工智能大会(AAAI 2024 : The 38th Annual AAAI Conference on Artificial Intelligence)公布了多个重要论文奖项,学校计算机科学与技术学院赵伟教授团队徐偲副教授的研究成果《Reliable Conflictive Multi-view Learning》获得最佳论文奖(Outstanding Paper Award),论文第一作者为徐偲副教授、通信作者为赵伟教授,西安电子科技大学计算机科学与技术学院为论文唯一完成单位,也是学校首次获得该论文奖项。据悉,自1984年该学术会议设立最佳论文奖以来,学校论文是以国内单位(含港澳台地区)为第一单位获得该奖项的第3篇论文。

AAAI是人工智能领域历史最悠久、涵盖内容最广泛的国际顶级学术会议之一。本届AAAI收到了创纪录的10504篇有效投稿,经过严格的审稿程序,最终录用了2527篇,录用率为24.1%。本次会议有3篇论文获得最佳论文奖,国内单位仅有西电1篇论文获奖。

本研究提出了一种新颖的多模态证据深度学习方法(Evidential Conflictive Multi-view Learning,ECML),通过可信地聚合冲突多模态数据,能够在提升决策性能的同时,可靠地度量决策置信度,并从理论上证明了ECML能够量化冲突模态带来的负面影响。在多个公开数据集上的实验结果表明,ECML显著地提升了决策性能和可靠性。该方法适用于主流的多模态分类模型,实现了多模态信息的“去伪存真”,使得多模态模型可以“兼听则明”,在医疗辅助诊断、自动驾驶等多种实际复杂场景中具有很好的应用前景。

ECML算法框架图

本年度,赵伟教授团队录用AAAI 2024会议论文3篇,另2篇是以团队陆维港博士和芦毅衡博士分别为第一作者撰写的论文《NodeMixup: Tackling Under-Reaching for Graph Neural Networks》和《Entropy Induced Pruning Framework for Convolutional Neural Networks》。

赵伟教授团队长期围绕大数据采集、处理、分析、挖掘和应用中的关键科学问题和主要技术瓶颈开展研究工作。近年来,在国家自然基金重点项目和陕西省科技创新团队等项目的资助下,团队在相关领域主流期刊,如IEEE TPAMI、TKDE等和CCF A类会议,如NeurIPS、AAAI等发表学术论文80余篇。

论文数据集和代码链接:

https://github.com/jiajunsi/RCML

上一条:【学在西电】西电共青团获陕西省五四红旗团委等多项荣誉
下一条:【学在西电】西电2支队伍入选2024年全国大学生科技志愿服务团队

请遵守《互联网电子公告服务管理规定》及中华人民共和国其他有关法律法规。
用户需对自己在使用本站服务过程中的行为承担法律责任。
本站管理员有权保留或删除评论内容。
评论内容只代表网友个人观点,与本网站立场无关。
 匿名发布 验证码 看不清楚,换张图片
0条评论    共1页   当前第1
【创新西电】计科院赵伟教授团队获AAAI 2024最佳论文奖
发布时间:2024-02-27 10:06:51来源:计算机科学与技术学院点击:我要评论: 0

西电新闻网讯(通讯员 杨力)北京时间2月23日凌晨,在加拿大温哥华召开的第38届AAAI人工智能大会(AAAI 2024 : The 38th Annual AAAI Conference on Artificial Intelligence)公布了多个重要论文奖项,学校计算机科学与技术学院赵伟教授团队徐偲副教授的研究成果《Reliable Conflictive Multi-view Learning》获得最佳论文奖(Outstanding Paper Award),论文第一作者为徐偲副教授、通信作者为赵伟教授,西安电子科技大学计算机科学与技术学院为论文唯一完成单位,也是学校首次获得该论文奖项。据悉,自1984年该学术会议设立最佳论文奖以来,学校论文是以国内单位(含港澳台地区)为第一单位获得该奖项的第3篇论文。

AAAI是人工智能领域历史最悠久、涵盖内容最广泛的国际顶级学术会议之一。本届AAAI收到了创纪录的10504篇有效投稿,经过严格的审稿程序,最终录用了2527篇,录用率为24.1%。本次会议有3篇论文获得最佳论文奖,国内单位仅有西电1篇论文获奖。

本研究提出了一种新颖的多模态证据深度学习方法(Evidential Conflictive Multi-view Learning,ECML),通过可信地聚合冲突多模态数据,能够在提升决策性能的同时,可靠地度量决策置信度,并从理论上证明了ECML能够量化冲突模态带来的负面影响。在多个公开数据集上的实验结果表明,ECML显著地提升了决策性能和可靠性。该方法适用于主流的多模态分类模型,实现了多模态信息的“去伪存真”,使得多模态模型可以“兼听则明”,在医疗辅助诊断、自动驾驶等多种实际复杂场景中具有很好的应用前景。

ECML算法框架图

本年度,赵伟教授团队录用AAAI 2024会议论文3篇,另2篇是以团队陆维港博士和芦毅衡博士分别为第一作者撰写的论文《NodeMixup: Tackling Under-Reaching for Graph Neural Networks》和《Entropy Induced Pruning Framework for Convolutional Neural Networks》。

赵伟教授团队长期围绕大数据采集、处理、分析、挖掘和应用中的关键科学问题和主要技术瓶颈开展研究工作。近年来,在国家自然基金重点项目和陕西省科技创新团队等项目的资助下,团队在相关领域主流期刊,如IEEE TPAMI、TKDE等和CCF A类会议,如NeurIPS、AAAI等发表学术论文80余篇。

论文数据集和代码链接:

https://github.com/jiajunsi/RCML

责任编辑:冯毓璇
相关阅读:
    读取内容中,请等待...
本月热点