邓成教授团队2篇论文被国际顶级会议NeurIPS 2020录用

近日，2020年度神经信息处理系统大会(Conference on Neural Information Processing Systems，简称NeurIPS)公布了论文接收结果。我院邓成教授指导的2篇论文入选，分别为朱跃华博士、杨木李博士合作的工作“Less is More: A Deep Graph Metric Learning Perspective Using Few Proxies”（入选为Spotlight，接收率仅3%），以及杨旭博士的工作“Adversarial Learning for Robust Deep Clustering”（入选为Poster）。

NeurIPS 2020共收到9454篇有效投稿，接收论文1900篇，接收率约20.1%，为历史新低，其中包含280篇Spotlight论文和105篇Oral论文。NeurIPS作为学术界、工业界公认的人工智能领域国际顶级会议的翘楚，代表着当今人工智能研究的最高水平。因为疫情原因，NeurIPS 2020组委会宣布将原定在加拿大温哥华举行的本次会议全程安排在线上举行。

朱跃华博士、杨木李博士的论文“Less is More: A Deep Graph Metric Learning Perspective Using Few Proxies”提出了一种基于反向标签传播的深度图度量学习网络，通过设计一个新颖的反向标签传播算法，首次成功将图分类范式融入到深度度量学习之中。该工作利用图模型刻画数据点的近邻关系，受半监督学习中经典标签传播算法的启发，设计了适用于度量学习的反向标签传播算法，利用已知标签信息动态调控度量空间的流形结构，在提升度量学习任务精度的同时大大降低了以往方法高额的计算需求。值得一提的是，该方法可作为一个额外的损失函数附加于任意度量学习框架之上，具有很强的灵活性和泛化能力。该工作的创新性受到审稿人和领域主席的高度认可，并入选为大会的Spotlight。

基于反向标签传播的深度图度量学习网络框架

实验结果表明，所提出的ProxyGML方法在提升度量任务精度的同时能有效提升训练效率

杨旭博士的论文“Adversarial Learning for Robust Deep Clustering”提出了一种无监督对抗聚类网络，首次尝试利用对抗攻击与防御方法提升深度聚类网络的鲁棒性。一方面，攻击模型可以学习到一组轻微的扰动以干扰聚类网络，从而在无标签数据中准确挖掘不可靠、易错分的样本。另一方面，所提出的防御策略能够利用所学到的扰动，结合对比学习针对性的强化聚类网络，并提升网络的整体性能。考虑到深度聚类和无监督学习的脆弱性，该方法的优势在于能够对聚类网络进行“查漏补缺”，针对性的挖掘聚类网络的弱点，并进一步优化网络模型。

无监督对抗聚类网络框架

实验结果表明，所提出的对抗学习策略能够有效挖掘易错分的样本及其类别信息，并对此进行针对性的优化，提升模型的鲁棒性