2020年第5期正式上线，本期精选重庆大学张磊教授团队成果---DiscoStyle: 可用于个性化人脸风格偏好推断的多层逻辑排序模型，DiscoStyle可通过极少数锚点对特定用户的面部偏好进行推断和计算，完成自动偏好预测及推荐。本研究基于预训练人脸表征深度网络，提出一种深度迁移学习范式，可用于表征人脸偏好相关的特征，并首次构建了大规模人脸风格数据集(即StyleFace)。

全文下载：

https://link.springer.com/article/10.1007/s11633-020-1244-1 

http://www.ijac.net/en/article/doi/10.1007/s11633-020-1244-1 

人脸特征，作为一种重要的生物标识，能够显性或隐性地表征出主观或客观的面部特点(如眼睛、鼻子、嘴巴)及个性特征(如身份、年龄、性别、种族、情感、性格特征及爱好)。在计算机视觉及生物统计学(biometrics)中，通过学习人脸特征以识别个人身份、年龄、性别、种族、表情、情感等研究发展得十分迅速，这也大大促进了人工智能技术的产业化应用。

目前，人脸识别已经应用于安检、门禁系统、视频监控等领域。此外，年龄、情感等的分析也已落地于多媒体、社交及互联网交互之中。然而，据我们所知，当前尚无可应用于推荐系统中、利用极少数不同人脸图像风格推断其所反映出的用户心理及情感偏好的研究。

通常，从极少数不同风格的用户面部图像中客观推断出隐性的人脸偏好特征是一件非常具有挑战性的任务。如果我们能挖掘出用户本身主观上投注更多注意力时表现出的人脸偏好特征，那就可以通过概率模型计算并预测用户的个性偏好，进而将其应用于高级情感分析(advanced emotional analysis)、机器人服务、自动个性化图像推荐等领域。

深度学习，作为一种源于大规模人脸图像识别的监督学习方法，已经在多个垂直领域取得了巨大成功，如计算机视觉、模式识别、文本分析、语音识别。近年来，迁移学习，一种弱监督交叉领域学习方法，成功推动了深度学习在学习方法与应用等垂直领域的发展。监督深度学习与弱监督迁移学习联系紧密，这无疑将大大促进人工智能在许多垂直的弱监督研究领域的发展，如医疗图像分析、遥感图像分析、卫星图像分析、亲属关系鉴定(kinship verification)、计算机视觉、负荷预测(load forecasting)、缺陷检测等。一般而言，深度学习旨在以监督的方式构建一个通用知识表征模型，而迁移学习则意在将深度学习知识引入弱监督领域及任务当中。

本文通过特定用户选择的极少数锚点图片(如10张图片)，来对用户的心理偏好及人脸图像风格进行推断分析与建模，这无疑是一项主观且内隐(subjective, implicative)的弱监督任务。本文基于深度学习及迁移学习，提出偏好特征表征方法，可将知识从大规模监督人脸识别任务中迁移至单一用户弱监督人脸偏好推断任务当中。

此外，在极少数特定人脸锚点(被用户标记为表现出了个人偏好的人脸图像)的推断过程中，还应用了概率学习。因此，本文所构建的模型可用于计算用户对图库中人脸图像的心理偏好值，这一分值可很好体现用户的偏好程度。本文的主要贡献有以下四个方面：

DiscoStyle: Multi-level Logistic Ranking for Personalized Image Style Preference Inference

Zhen-Wei He, Lei Zhang, Fang-Yi Liu

https://link.springer.com/article/10.1007/s11633-020-1244-1 

http://www.ijac.net/en/article/doi/10.1007/s11633-020-1244-1 

【约稿】爱丁堡大学樊文飞 | 有界计算理论: 在有限资源下查询大数据

最新出版 | 机器学习&计算机视觉&机器人...

哈工大高会军团队: 基于强化学习的多速率系统控制器最优化研究

综述：自主式水下机器人的路径规划算法

【程学旗&陈恩红团队】社交网络的传播背景：模拟与建模

高被引Top1团队综述：图像、图形及文本领域的对抗攻击及防御

综述：用于自由曲面加工的新型计算机数控方法

港科大-微众AI杨强团队：用于生成对话系统的迁移多层注意力网络

帝国理工学院：自然语言处理中大数据的智能收集与分析

北大王立威团队: 零样本细粒度图像分析新模型

【综述】美外籍院士Brian Anderson: 社交网络中舆论动力学研究进展