近日，人工智能国际会议AAAI 2023公布录用结果，我中心有3篇论文被录用。AAAI是CCF推荐的A类国际学术会议。本次AAAI 2023一共有8777篇投稿，录用1721篇，录用率19.6%。此次被录用的论文的相关信息如下：
论文1. 题目：LagNet: Deep Lagrangian Mechanics for Plug-and-Play Molecular Representation Learning（作者：Chunyan Li, Junfeng Yao, Jinsong Su, Zhaoyang Liu, Xiangxiang Zeng, Chenxi Huang）。本文由中心李春艳博士、姚俊峰教授、和湖南大学曾湘祥教授、厦门大学黄晨曦博士合作完成。
分子表征学习是药物发现和分子科学领域的一个基本问题，将分子3D信息结合到分子的表示中是有益的，这与预测分子的稳定3D结构（构象）的基本任务的计算化学有关。现有的机器学习方法要么依赖于1D和2D分子特性，要么通过哈密顿网络模拟分子力场以使用额外的3D结构信息，前者的缺点是忽略了重要的三维结构特征，而后者的缺点是现有的哈密顿神经网络必须满足“canonial”约束，这在许多情况下很难遵守。本文提出了一种新的即插即用架构LagNet，通过仅使用参数化的位置坐标来模拟分子力场，该架构实现了拉格朗日力学，通过保持3D构象来学习分子表示，而不受任何附加限制。LagNet旨在生成已知构象，并从分子SMILES中推广未知构象。使用离散时间拉格朗日方程迭代学习LagNet中的隐式位置。实验结果表明，LagNet可以很好地学习3D分子结构特征，并以显著的优势优于先前最先进的基线相关分子表示。
论文2. 题目：Exploring Self-distillation based Relational Reasoning Training for Document-level Relation Extraction（作者：Liang Zhang, Jinsong Su, Min Zijun, Zhongjian Miao, Qingguo Hu, Biao Fu, Xiaodong Shi and Yidong Chen）。本文由中心张亮同学、苏劲松老师和厦门大学陈毅东老师团队合作完成。
本文指出文档级关系抽取中存在许多复杂的关系实例，其需要通过关系推理才能被预测出来。现有的方法通常仅仅考虑了一种最常见的推理模式，然而，这种推理模式的覆盖率是比较低的。因此，我们提出一个推理模块，其同时建模了四种常见的关系推理模式。同时，为了更好的训练该推理模块的推理能力，我们提出一个自蒸馏训练框架，其通过mask-predict方式来显式的建模关系推理的过程。具体地，我们首先随机地mask文档中的一些实体对特征向量，然后训练推理模块借助相关实体对的信息推理出被mask的实体对的关系。通过这种方式我们能够为训练模型的关系推理提能力供更强的监督信号。多个数据集的实验结果证明本文提出的方法的有效性和通用性。此外，通过鲁棒性测试，我们也发现我们的自蒸馏训练框架能够很好的改善模型的鲁棒。
论文3. 题目：Code-Aware Cross-Program Transfer Hyperparameter Optimization（作者：Zijia Wang, Xiangyu He, Kehan Chen, Chen Lin, Jinsong Su）。本文由中心苏劲松老师和厦门大学林琛老师团队合作完成。
超参数调优是机器学习和大数据管理中的一项重要任务，贝叶斯优化方法是超参数调优中较为常用的一个方法，然而传统贝叶斯优化存在“冷启动”问题导致所需的调优开销较大。为解决贝叶斯优化的冷启动问题，现有的方法尝试从其他调优任务传输信息，要么从每个任务的评估中学习任务相似性，要么基于手动定义的数据集元特征确定类似的任务。但由于这二者都忽略了“程序”本身的性质，导致它们在跨程序调整中的效果并不理想。本文提出了一个代码感知的跨程序传输超参数优化框架CaTHPO，首先，以自监督的方式学习代码表示并给出程序相似性的现成估计；其次，通过调节贝叶斯优化中的代理函数以及采集函数进行知识迁移；最后，通过安全控制器动态修剪候选样本点。实验结果表明，CaTHPO可以有效地学习代码结构特征，显著优于先前最先进的超参数优化方法。
