2017年8月19日-25日，计算机所彭宇新教授、研究生黄鑫前往澳大利亚墨尔本参加了第26届国际人工智能联合会议（IJCAI 2017）。IJCAI是人工智能领域的顶级学术会议，也是中国计算机学会推荐国际学术会议列表的A类会议，一直受到国际学术界与工业界的广泛关注。

图1：彭宇新教授（右）和黄鑫（左）在会场合影

本届会议共收到2540篇论文投稿，录用660篇，录用率约为26%。全球共有2000多名研究人员参加了本次大会，计算机所师生在本次会议上发表了2篇论文，分别针对跨模态检索、神经网络风格迁移问题进行了研究。这2篇论文均进行了口头报告与海报展示。论文的具体信息如下：

1. Xin Huang, Yuxin Peng, and Mingkuan Yuan, “Cross-modal Common Representation Learning by Hybrid Transfer Network”

本文提出了基于混合迁移网络的跨模态统一表征方法，实现了从单模态源域到跨模态目标域的知识迁移。本网络由两个子网络构成：模态共享迁移网络和层共享关联网络。其中模态共享迁移网络以源域和目标域的共有模态为桥梁，使得单模态迁移与跨模态迁移能够联合进行；层共享关联网络则通过层共享的方式增强跨模态关联，使得统一表征更加符合跨模态域上已知的语义关联。上述两个子网络构成端到端的联合结构，在实现从单一模态到多种模态知识迁移的同时，也通过强调目标域的语义关联以生成更加适合跨模态检索的统一表征。本方法的有效性在3个广泛使用的跨模态数据集上得到了验证，包括Wikipedia数据集，NUS-WIDE-10k数据集和Pascal Sentence数据集。

图2：黄鑫做口头报告

图3：彭宇新教授（左）、黄鑫（右）做海报展示

2. Yanghao Li, Naiyan Wang, Jiaying Liu, Xiaodi Hou, “Demystifying Neural Style Transfer”

本文提出了一种从领域自适应(Domain Adapation)角度理解神经网络风格迁移的方法。理论上证明了在神经网络风格迁移中的匹配风格图片的Gram matrices 等效于最小化一种多项式核的最大平均偏差(Maximum Mean Discrepancy)的形式。另外，算法基于此拓展了几种新的基于不同分布对齐方法的神经网络风格迁移方法。实验证明了上述方法都可以有效的进行风格迁移，也验证了论文提出的解释方法的正确性。