科技处
2024-12-04
本网讯 2024年，计算机与软件工程学院青年教师蔡兵在《IEEE Transactions on Multimedia》《Information Sciences》及《NEUROCOMPUTING》等国际权威期刊上发表重要学术论文。蔡兵为论文第一作者/通讯作者，安徽工程大学卢桂馥教授为共同通讯作者，安徽信息工程学院为论文第一署名单位。
蔡兵一直聚焦于模式识别领域中的多视图聚类问题，并提出了一种新颖的方法——张量化缩放单纯形表示（TSSR）。这一方法旨在克服传统基于张量的多视图聚类方法在构建亲和矩阵时可能破坏数据内在关系的缺陷。TSSR利用低秩张量约束来捕捉不同视图之间的共识信息和互补信息，并通过缩放单纯形表示确保系数矩阵的非负性，以此保留数据的内在联系并提升模型的灵活性。
通过实验验证，TSSR通过扩展仿射约束的缩放范围来捕获更真实的结构信息，并通过自适应权重策略为各个视图赋予合适的权重，确保它们对最终聚类结果的有效贡献。TSSR在性能和效率上均超越了现有的先进方法。TSSR的提出和发展不仅为多视图聚类技术带来了新的突破，也为未来多视图数据的分析和处理提供了新的思路和方法。相关研究结果以“Tensorized scaled simplex representation for multi-view clustering”为题在发表在中科院一区期刊IEEE Transactions on Multimedia( Volume:26)Page(s): 6621-6631上，文章DOI号为: 10.1109/TMM.2024.3355649。
（《IEEE Transactions on Multimedia》收录时间2024.1.18）
（论文图《TSSR模型构建图》）
多视图子空间聚类旨在利用数据中蕴含的一致性和互补性信息，并有效地融合多个视图。然而，现有方法在充分挖掘互补信息方面存在局限性。基于张量的方法往往忽略潜在结构，而基于潜在表示的方法难以捕捉高阶相关性，而这两者都是互补信息的重要组成部分。蔡兵老师引入了一种名为使用可见视图和潜在视图的完整多视图子空间聚类（CMVSC）的新方法。通过潜在表示获得具有潜在结构的潜在视图，与可见视图（即原始特征）共同构成完整的多视图数据。然后，对完整视图施加低秩张量约束，以全面探索一致性和互补信息。并设计了一种自动加权策略，能够自动为每个视图分配理想的权重。通过实验结果表明，该模型优于最先进的同类模型，并且在几个基准数据集上实现了更优的的聚类性能。相关研究结果发表在中科院一区期刊Information Sciences（Volume 665）,April 2024,120381和中科院二区期刊NEUROCOMPUTING（Volume 597）,7September2024, 128016上。
（论文图《实验效果点阵图》）
近年来，我校高度重视学科建设工作，积极营造浓厚的学术研究氛围，先后取得了一系列研究成果。此次在国际公认顶级期刊连续发表多篇论文体现了我校科研成果的又一突破，为学科建设高水平发展提供助力。