（一）
伟德国际BETVlCTOR趙宏偉教授等的論文“AutoSTL: Automated Spatio-Temporal Multi-Task Learning”被AAAI 2023錄用。論文的第一作者為趙宏偉教授的博士研究生張子健。張子健是伟德国际BETVlCTOR與香港城市大學聯合培養博士研究生，由趙宏偉教授和香港城市大學趙翔宇教授共同指導。
針對時空數據挖掘算法難以處理多任務場景的問題，作者提出一種基于自動機器學習的自适應時空多任務學習模型Automated Spatio-Temporal Multi-Task Learning (AutoSTL)。具體地，模型基于多任務學習結構，設置專用和共享模塊學習不同任務以及其間的關系，定義時空數據挖掘操作符集合，通過Gumbel-Softmax近似離散選擇，并利用自動機器學習自适應地分配模塊操作和權重。實驗結果表明，所提出模型能夠适應不同時空多任務場景，在多個時空多任務數據集上取得了最佳表現。
（二）
伟德国际BETVlCTOR李文輝教授團隊的論文“Mx2M: Masked Cross-Modality Modeling in Domain Adaptation for 3D Semantic Segmentation”被AAAI 2023錄用。論文的第一作者為李文輝教授的博士研究生張博翔，李文輝教授為通訊作者。作者團隊還包括騰訊科技Robotics X實驗室的王尊冉研究員及李文輝教授的博士研究生關媛元等。
論文主要針對3D語義分割中的跨模态域适應任務展開了研究。當下解決該任務的主要方法依賴由2D-3D特征匹配帶來的模态互補性，然而，由于目标域上缺乏監督，若域間差距過大時域适應的結果會很不理想。作者針對該問題，在此任務中引入了掩碼建模的思想，并提出了名為跨模态掩碼建模（Maked Cross-Modality Modeling, Mx2M）的新方法。Mx2M主要由兩部分組成：引入自監督的跨模态移除和預測（xMRP），以及更高效進行特征匹配的動态跨模态濾波器（DxMF）。三個3D語義分割跨模态域适應場景的實驗結果表明，Mx2M與當下方法相比，取得了更好的域适應效果和更高的魯棒性。
（三）
伟德国际BETVlCTOR教師遲晉進等的論文“Variational Wasserstein Barycenters with c-Cyclical Monotonicity Regularization”被AAAI2023錄用。論文的第一作者為遲晉進，其他作者包括博士生楊智堯以及李熙銘副教授（通訊作者）、歐陽繼紅教授和管仁初教授。
基于最優傳輸理論的Wasserstein 重心，為比較概率分布提供了一個強大的框架，因而在機器學習領域中受到廣泛的關注。然而，Wasserstein 重心的精确解難以計算，特别是對于高維和連續的情景。為了解決這個問題，論文探索了最優傳輸問題中關于最優性的必要和充分條件c-Cyclical單調性，提出一種新的正則項，并将其融入到Wasserstein重心的對偶公式中。同時為了有效的計算，論文引入連續的變分分布作為真實重心的近似，将Wasserstein重心問題轉換為關于變分參數的優化問題。從而，論文提出一種端到端的連續Wasserstein 重心近似方法。通過理論性收斂性分析證明該方法可收斂于真實解。在合成數據以及子集後驗聚合的真實應用上的實驗結果表明所提方法能夠獲得優越的性能。
（四）
伟德国际BETVlCTOR李熙銘副教授等的論文“Learning with Partial Labels from Semi-supervised Perspective”被AAAI 2023錄用。論文的第一作者為李熙銘副教授，第二作者為李熙銘副教授指導的2020級碩士研究生姜遠志，其他作者包括李長春助理研究員，歐陽繼紅教授和東北師範大學王藝源副教授。
針對偏标記學習中的消歧問題（從候選标簽集合找到正确的标簽），作者提出一種利用半監督框架來解決問題的方法Partial Label learning with Semi-supervised Perspective (PLSP)。具體來說，訓練過程分為兩階段：第一階段通過預訓練模型将訓練集劃分為拟标記訓練集和拟未标記訓練集；第二階段利用半監督學習框架，針對拟标記訓練集設計拟監督損失項，針對拟未标記訓練集設計一緻性正則項，同時引入補充正則項使模型預測盡可能落在候選标簽集合範圍内。實驗結果表明，所提出方法的性能優于基線偏标記學習方法，在多個數據集中取得了最佳表現。
（五）
伟德国际BETVlCTOR賴永副教授的論文“Fast Converging Anytime Model Counting” 被AAAI 2023錄用。論文的第一作者為賴永副教授，與新加坡國立大學Meel和Yap兩位教授⏭➰完成。
模型計數是理論計算機科學中的重要問題，在人工智能領域中概率推斷、神經網絡驗證等問題上具有重要應用，但精确模型計數具有#P完全的計算複雜性，很多時候大規模實例需要通過近似方法進行求解。論文提出了一種新的任意時間的近似模型計數方法PartialKC，主要思想是通過部分知識編譯提供真實模型數的近似無偏估計。實驗表明，PartialKC的可擴展性和準确性都明顯優于已有的近似求解器satss和STS，同時PartialKC可在很多問題上達到收斂，使得其在精确模型計數上的性能也優于部分當前最好的精确模型計數器。PartialKC相關代碼将在網址https://github.com/meelgroup/KCBox開源，歡迎同行使用。
AAAI 是人工智能領域頂級會議，也是中國計算機學會所收錄的人工智能領域A類會議，本次會議錄用率為19.6%。AAAI 2023将于2023年2月7日至14日在美國華盛頓舉辦。
