近日，我院盧琳璋教授團(tuán)隊(duì)在人工智能領(lǐng)域著名期刊Neural Networks （IF=6.0）上發(fā)表了題為“Semi-supervised non-negative matrix factorization with structure preserving for image clustering”的研究論文。
由于合理利用部分標(biāo)簽信息，半監(jiān)督學(xué)習(xí)方法具有廣泛的應(yīng)用。近年來(lái)，非負(fù)矩陣分解(NMF)因其可解釋性和實(shí)用性受到了廣泛關(guān)注。基于半監(jiān)督學(xué)習(xí)與NMF的優(yōu)勢(shì)，提出了許多半監(jiān)督NMF方法。然而，這些現(xiàn)有的半監(jiān)督NMF方法僅構(gòu)造一個(gè)僅包含元素1和0的標(biāo)簽矩陣來(lái)表示被標(biāo)記的數(shù)據(jù)，這忽略了NMF的內(nèi)在結(jié)構(gòu)。為了解決這一不足，文中提出了一種新的保結(jié)構(gòu)的半監(jiān)督NMF(SNMFSP)方法。具體地，首先構(gòu)造一個(gè)帶權(quán)重的標(biāo)簽矩陣，并進(jìn)一步構(gòu)造一個(gè)標(biāo)簽約束正則化，這樣既利用標(biāo)簽信息又保留NMF的內(nèi)在結(jié)構(gòu)。然后，基于標(biāo)簽約束正則化，提取標(biāo)簽數(shù)據(jù)的基圖像，通過(guò)建立基正則化來(lái)監(jiān)督和修正所有數(shù)據(jù)的基圖像學(xué)習(xí)。最后，將標(biāo)簽約束正則化和基正則化引入到NMF中，提出了一種新的半監(jiān)督NMF方法。為了解決提出的優(yōu)化問題，發(fā)展了一種乘法更新算法。將所提出的方法應(yīng)用于圖像聚類，以測(cè)試其性能。與其它無(wú)監(jiān)督和半監(jiān)督算法相比，在八個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明文中所提出的方法是有效的。
該論文是由數(shù)學(xué)科學(xué)學(xué)院盧琳璋教授指導(dǎo)的博士生景文靜、盧琳璋教授、歐衛(wèi)華教授共同完成。該研究得到國(guó)家自然科學(xué)基金項(xiàng)目（12161020, 12061025, 62262005）和貴州省高層次創(chuàng)新型人才項(xiàng)目（GCC[2023]033）的資助。
一審：熊勝蘭
二審：唐樹安
三審：龍見仁
