近日，第34届国际人工智能大会（The Thirty-Fourth AAAI Conference on Artificial Intelligence AAAI-2020，简称AAAI-20）论文录用名单出炉，计软院师生共同完成的2篇研究生论文被该国际学术会议录用，并受邀参加将于2020年2月7日至12日在美国纽约举行的第34届AAAI-20会议。此次2篇研究生论文的录用见证了计软院师生在人工智能领域所取得的可喜进展，也标志着计软院师生在人工智能领域的研究得到了本领域同行的进一步认可。
论文题目1：Safe Sample Screening for Robust Support Vector Machine
作者：翟周，顾彬，李翔，黄恒
该论文由计软院研究生翟周为第一作者，与顾彬、李翔、黄恒三位老师合作完成，题为Safe Sample Screening for Robust Support Vector Machine。文章指出鲁棒支持向量机(RSVM)在提高支持向量机在噪声环境下的泛化性能方面表现得非常好。遗憾的是，为了解决由ramp loss引起的RSVM非凸性问题，现有的RSVM求解器往往采用DC框架，计算效率低。这阻碍了RSVM在大规模问题中的应用。安全样本筛选是一种有效减少计算时间的方法，它允许在训练过程之前或之前排除训练样本。然而，现有的安全样本筛选算法局限于凸优化问题，而RSVM是一个非凸优化问题。为了解决这一问题，该论文提出了两种基于凹凸过程框架(CCCP)的安全样本筛选规则。具体来说，该论文提供了CCCP内部求解器的筛选规则和CCCP两个连续求解器之间传播筛选样本的另一个规则。在各种基准数据集上的实验结果证明，该论文的安全样本筛选规则可以显著减少计算时间。
论文题目2：Quadruply Stochastic Gradient Method for Large Scale Nonlinear Semi-Supervised Ordinal Regression AUC Optimization
作者：施万里，顾彬，李翔，黄恒
该论文由计软院研究生施万里为第一作者，与顾彬、李翔、黄恒三位老师合作完成，题为Quadruply Stochastic Gradient Method for Large Scale Nonlinear Semi-Supervised Ordinal Regression AUC Optimization。文章指出半监督有序回归问题是机器学习一种常见的机器学习问题。研究表明，相比优化错误率的传统方法，直接优化一致性指数或AUC可以对数据进行更好的排序。根据这一研究，该论文提出了一种基于序数二进制分解方法的半监督有序回归AUC优化的无偏目标函数。为了在大数据规模下高效求解该目标函数，该论文还提出了一种四重随机梯度算法（QS3ORAO）。理论分析指出，该方法的收敛速率为O（1/t）。此外，在公开数据集上的实验也证明了该方法比传统方法更加高效。
据悉，AAAI (The AAAI Conference on Artificial Intelligence)是人工智能领域的顶级国际学术会议，由美国人工智能协会主办，被中国计算机学会（CCF）列为A类会议（即CCF A 类会议），每年举办一次，现在在全球有超过6000名会员。本届AAAI-20共收到历史新高的8800余篇有效投稿，其中7737篇论文进入评审环节，最终有1591篇论文被录用，录用率仅有20.6%，收录的论文代表了人工智能领域最新的发展方向和水平。
