AAAI 2017 大会刚刚闭幕，会议围绕人工智能的研究与发展进行了多场演讲、讲座、Workshop 等活动，吸引了世界各地的人工智能从业者参加。当然，众所周知的是，华人是本次大会不可忽视的一支力量。
依照惯例，AAAI 在会议期间评选了一些获奖论文，其中包括两篇杰出论文（Outstanding Paper，其中有一篇学生论文）以及经典论文、鼓励创新研究的 Blue Sky Idea Awards 获奖论文等。
在 AAAI 获奖论文公布之后，机器之心邀请多位技术分析师对这些论文进行了深度解读，为我们分析了这些论文的杰出和创新之处，带我们领略了人工智能和机器学习领域的最前沿的研究成果和思想。以下即为对本届 AAAI 上获奖论文的解读。
AAAI-17 杰出论文奖（Outstanding Paper Award）
论文标题：使用物理学和领域知识的神经网络的无标签监督（Label-Free Supervision of Neural Networks with Physics and Domain Knowledge）
作者：Russell Stewart and Stefano Ermon
关于该奖：AAAI 杰出论文奖获奖论文体现了技术贡献和阐述的最高标准。这个奖通常是将给在计算机科学领域实现了广度和独特性的研究者，这些研究通常构建了不同科系和学科之间的桥梁。
论文解读
本届的杰出论文《Label-Free Supervision of Neural Networks with Physics and Domain Knowledge》的灵感来自于人类的学习过程，其利用了先前的领域知识来将输出空间约束到一个特定的学习结构，而不是简单的从输入到输出的映射。这种做法让该论文不需再使用大量有标签数据来监督神经网络，而是让神经网络学习更见先进的结构。通常来说，当前将不使用标签进行学习方法称为无监督学习（unsupervised learning），比如说自编码器（autoencoder）。无监督学习方法通常是将输入数据聚类（cluster）成不同的分组，这种方法虽然高效，但往往缺乏有意义的解读。与无监督学习相反，通过没有明确标签但有 ground truth 法则的数据进行训练，我们可以得到两点好处：1）花费在标注上的工作量减少，2）通用性提升，因为单一一套约束可以无需重新标注就被应用到多个数据集上。
图 1：约束学习的目标是在无需提供标签 y 的情况下恢复变换 f。我们并没有那么做，我们则是寻找一个能够获取 g 所要求的结构的映射 f.
要将先验知识整合进监督学习中，通常有两种方式：1）通过限制能特定假设类 F 的可能函数，2）通过为 F 中的特定函数增加一个 a-prior preference，其对应的正则化（regulation）为 R(f)，其中 f 属于 F。
在这篇论文中，作者重点关注了约束函数 g:X*Y 根据先验知识（即物理法则）映射到 R，以在学习过程偏离先验知识时惩罚学习结构——这些先验知识是抽象的高层面思考，而不仅仅是标签。在这个训练场景中，标签 y 仅用于评估，而且其对于发现 f* 属于 F 的最优规则并不是必需的。为了确保收敛以找到正确的 f*，我们也可能需要为监督机器（supervise machine）增加额外的正则化项。这个设计约束函数 g 和正则化项的过程确实是一种监督形式。
该论文提供了三个案例：1）跟踪一个自由落体，2）跟踪一个行人的位置，3）根据因果关系检测目标。
