本次大会上，也设立了企业或学术机构的展示环节。Exhibitor 们可以展示“自己在领域中扮演的角色，给参会者展出应用案例”。上述来自中国的企业和机构都将做出展示。

在本次大会的“产业日”（Industry Day）上，企业家和科学家们将探讨 AI 的未来及其对产业和社会的影响。

Industry Day 的日程如下：

可以看到，产业日的讲者共有 12 位，其中一半都来自中国企业。滴滴研究院副院长叶杰平、京东集团副总裁颜伟鹏、小 i 机器人创始人朱频频、美图的 Amin Zheng、百度的 Dou Shen 和腾讯 AI Lab 副主任俞栋都将做出演讲。阿里巴巴的 Hongxia Yang 将参与下午的 Panel。

IJCAI 2017 最佳论文：华人拿下最佳学生论文

IJCAI 2017 的最佳论文（Distinguished Papers）将在当地时间 23 号公布，但 finalist 已出！

下面，我们简单介绍一下每篇论文。

最佳论文 finalists：

【摘要】受到说明性数据分析中应用的激励，我们对 DatalogZ 进行了研究。DatalogZ 是带有 arithmetic functions over integers 的 positive Datalog 的拓展。这种语言被认为是不可判定的，所以我们提出了两个片段。 在 limit DatalogZ 中，predicates 被公认为保持最小/最大数值，这使我们能够表明这一事实：CONEXPTIME-complete in combined，CONP-complete in data complexity。此外，额外的稳定性要求导致复杂性分别降至 EXPTIME 和 PTIME。最后，我们展示了，稳定的DatalogZ 能够表达许多有用的数据分析任务，所以我们的结果为先进信息系统的下一步研究提供了坚实的基础。

【摘要】在本文中，我们提出了一个原则性的 Tag Disadangling Generative Adversarial Networks（TDGAN），通过指定多个场景属性（如视点，照明，表达式等）从单个图像重新渲染感兴趣对象的新图像。整个框架由一个解析网络（disentangling network），一个生成网络，一个标签映射网络和一个判别网络组成，它们是基于完全/部分标记的给定图像集（即监督/半监督设置）联合训练的。给出输入图像，解析网络提取解析过的、可解释的表示，然后生成网络会使用这个表示生成图像。为了提高解析表示的质量，我们整合了集成标签映射网络，探索图像与其标签之间的一致性。此外，我们引入了判别网络，以实现用于生成更逼真图像的对抗训练策略。在两个具有挑战性的数据集上的实验，证明了我们所提出的框架在相关问题上实现了 state-of-the-art 表现。

【摘要】对称检测是减少游戏搜索树的一项有希望的方法。在一般游戏玩法（GGP）中，任何游戏由游戏描述语言（GDL）中的一组规则紧凑地表示，用于对称检测的最先进的方法依赖于与 GDL 描述相关联的规则图的游戏。虽然这种基于规则的对称检测方法可以应用于各种树搜索算法，但它们仅涵盖在 GDL 描述中显而易见的有限数量的对称性。在本文中，我们开发了利用约束编程技术的随机游戏中的对称检测的替代方法。GDL 游戏中的极小值优化问题被当做随机约束满足问题（SCSP），可以将其视为一级 SCSP 序列。Minimax 对称性根据这些一阶约束网络的微结构补充推断。基于这种方法的理论分析，我们实验性地展示了随机约束求解器 MAC-UCB 结合基于约束的对称性检测，要显著优于标准的蒙特卡洛树搜索算法与基于规则的对称检测的结合。这种约束驱动的方法也通过我们的 AI 在最后一次 GGP 比赛中获得的出色成绩得到了验证。

最佳学生论文 finalists：

【摘要】迁移学习旨在通过利用其他相关任务的信息（或迁移知识）来提高目标学习任务的表现。最近，迁移距离度量学习（TDML）吸引了很多兴趣，但是大多数这些方法假设源和目标学习任务的特征表示是一样的。因此，它们不适用于数据来自异构域（特征空间，模态甚至语义）的应用程序。虽然一些现有的异构传输学习（HTL）方法能够处理这样的问题，但它们在实际应用中缺乏灵活性，而学习的转换通常被限制为线性的。因此，我们开发了基于知识片段的通用和灵活的异构 TDML（HTDML）框架迁移策略。在我们提出的 HTDML 中，可以使用任何（线性或非线性）距离度量学习算法来预先学习源度量。然后，从预先学习的源度量中提取一组知识片段，帮助目标度量学习。此外，可以为目标域学习线性或非线性距离度量。对场景分类和对象识别的广泛实验证明了我们所提出的方法的优越性。