（一）
太阳成集团tyc122cc赵宏伟教授等的论文“AutoSTL: Automated Spatio-Temporal Multi-Task Learning”被AAAI 2023录用。论文的第一作者为赵宏伟教授的博士研究生张子健。张子健是太阳成集团tyc122cc与香港城市大学联合培养博士研究生，由赵宏伟教授和香港城市大学赵翔宇教授共同指导。
针对时空数据挖掘算法难以处理多任务场景的问题，作者提出一种基于自动机器学习的自适应时空多任务学习模型Automated Spatio-Temporal Multi-Task Learning (AutoSTL)。具体地，模型基于多任务学习结构，设置专用和共享模块学习不同任务以及其间的关系，定义时空数据挖掘操作符集合，通过Gumbel-Softmax近似离散选择，并利用自动机器学习自适应地分配模块操作和权重。实验结果表明，所提出模型能够适应不同时空多任务场景，在多个时空多任务数据集上取得了最佳表现。
（二）
太阳成集团tyc122cc李文辉教授团队的论文“Mx2M: Masked Cross-Modality Modeling in Domain Adaptation for 3D Semantic Segmentation”被AAAI 2023录用。论文的第一作者为李文辉教授的博士研究生张博翔，李文辉教授为通讯作者。作者团队还包括腾讯科技Robotics X实验室的王尊冉研究员及李文辉教授的博士研究生关媛元等。
论文主要针对3D语义分割中的跨模态域适应任务展开了研究。当下解决该任务的主要方法依赖由2D-3D特征匹配带来的模态互补性，然而，由于目标域上缺乏监督，若域间差距过大时域适应的结果会很不理想。作者针对该问题，在此任务中引入了掩码建模的思想，并提出了名为跨模态掩码建模（Maked Cross-Modality Modeling, Mx2M）的新方法。Mx2M主要由两部分组成：引入自监督的跨模态移除和预测（xMRP），以及更高效进行特征匹配的动态跨模态滤波器（DxMF）。三个3D语义分割跨模态域适应场景的实验结果表明，Mx2M与当下方法相比，取得了更好的域适应效果和更高的鲁棒性。
（三）
太阳成集团tyc122cc教师迟晋进等的论文“Variational Wasserstein Barycenters with c-Cyclical Monotonicity Regularization”被AAAI2023录用。论文的第一作者为迟晋进，其他作者包括博士生杨智尧以及李熙铭副教授（通讯作者）、欧阳继红教授和管仁初教授。
基于最优传输理论的Wasserstein 重心，为比较概率分布提供了一个强大的框架，因而在机器学习领域中受到广泛的关注。然而，Wasserstein 重心的精确解难以计算，特别是对于高维和连续的情景。为了解决这个问题，论文探索了最优传输问题中关于最优性的必要和充分条件c-Cyclical单调性，提出一种新的正则项，并将其融入到Wasserstein重心的对偶公式中。同时为了有效的计算，论文引入连续的变分分布作为真实重心的近似，将Wasserstein重心问题转换为关于变分参数的优化问题。从而，论文提出一种端到端的连续Wasserstein 重心近似方法。通过理论性收敛性分析证明该方法可收敛于真实解。在合成数据以及子集后验聚合的真实应用上的实验结果表明所提方法能够获得优越的性能。
（四）
太阳成集团tyc122cc李熙铭副教授等的论文“Learning with Partial Labels from Semi-supervised Perspective”被AAAI 2023录用。论文的第一作者为李熙铭副教授，第二作者为李熙铭副教授指导的2020级硕士研究生姜远志，其他作者包括李长春助理研究员，欧阳继红教授和东北师范大学王艺源副教授。
针对偏标记学习中的消歧问题（从候选标签集合找到正确的标签），作者提出一种利用半监督框架来解决问题的方法Partial Label learning with Semi-supervised Perspective (PLSP)。具体来说，训练过程分为两阶段：第一阶段通过预训练模型将训练集划分为拟标记训练集和拟未标记训练集；第二阶段利用半监督学习框架，针对拟标记训练集设计拟监督损失项，针对拟未标记训练集设计一致性正则项，同时引入补充正则项使模型预测尽可能落在候选标签集合范围内。实验结果表明，所提出方法的性能优于基线偏标记学习方法，在多个数据集中取得了最佳表现。
（五）
太阳成集团tyc122cc赖永副教授的论文“Fast Converging Anytime Model Counting” 被AAAI 2023录用。论文的第一作者为赖永副教授，与新加坡国立大学Meel和Yap两位教授合作完成。
模型计数是理论计算机科学中的重要问题，在人工智能领域中概率推断、神经网络验证等问题上具有重要应用，但精确模型计数具有#P完全的计算复杂性，很多时候大规模实例需要通过近似方法进行求解。论文提出了一种新的任意时间的近似模型计数方法PartialKC，主要思想是通过部分知识编译提供真实模型数的近似无偏估计。实验表明，PartialKC的可扩展性和准确性都明显优于已有的近似求解器satss和STS，同时PartialKC可在很多问题上达到收敛，使得其在精确模型计数上的性能也优于部分当前最好的精确模型计数器。PartialKC相关代码将在网址https://github.com/meelgroup/KCBox开源，欢迎同行使用。
AAAI 是人工智能领域顶级会议，也是中国计算机学会所收录的人工智能领域A类会议，本次会议录用率为19.6%。AAAI 2023将于2023年2月7日至14日在美国华盛顿举办。
