近日，由西南财经大学数据科学与商业智能联合实验室博士生徐琳、李可教授、周凡吟教授、黄雁勇教授和堪萨斯大学王东杰助理教授以及西南交通大学吕凤毛副教授、李天瑞教授合作完成的论文"Adaptive Topological Similarity Learning for Incomplete Multi-view Unsupervised Feature Selection"被计算机图形学与多媒体领域的国际权威期刊IEEE Transactions on Circuits and Systems for Video Technology接收。

内容简介

多视图图像数据通过从不同角度或不同来源对同一样本进行联合描述，从而更全面地刻画图像的信息。然而，多视图特征来源的多样性常常导致特征维度高，特征形式异构，从而引发“维度灾难”问题，并影响下游任务的处理效率和性能。同时，由于人工标注成本高，大量多视图图像数据缺乏标签，难以为下游任务学习提供有效信息。此外，受采集条件等客观因素限制，部分样本仅包含部分视图信息，进一步降低了下游任务的性能表现。不完备多视图无监督特征选择方法旨在挖掘不同视图之间的关联性，并据此从数据中筛选出最具代表性的特征子集，以有效降低特征维度，从而提升下游任务的性能。然而，现有方法通常基于欧氏距离来刻画数据间的局部几何结构，其难以捕捉图像数据在非线性流形空间中的拓扑相似关系。例如，尽管两个样本在欧式空间中距离较远，但如果它们可以通过一些连续的邻居样本进行连接，那么两者之间仍存在较强的拓扑相似关系。现有方法忽略了样本间的拓扑相似关系，导致难以准确刻画图像数据的内在局部流形结构，影响特征选择的效果。为解决上述问题，本文提出一种基于自适应拓扑相似性学习的不完备多视图无监督特征选择方法。该方法将多视图特征选择、缺失数据填补以及视图内与视图间局部结构学习整合到一个统一的学习框架中，实现三者之间的协同增强。与此同时，为了更准确地刻画多视图图像数据的内在局部几何结构以提升特征选择效果，该方法不仅深入挖掘了视图内的局部流形结构，还有效捕捉了视图间的一致拓扑相似关系，从而进一步增强了下游任务的性能。在多个真实图像数据集上的实验结果表明，本文提出的方法在性能上显著优于现有的方法。

作者简介

徐琳，西南财经大学2022级经济大数据专业博士生，主要从事数据挖掘和模式识别等领域的研究，导师为李可教授和黄雁勇教授。

李可，西南财经大学数据科学与商业智能联合实验室教授、博士生导师，主要从事数据科学、机器学习、金融科技、精准医学等领域的研究。

王东杰，堪萨斯大学电气工程与计算机科学系助理教授，主要从事数据中心的人工智能、因果图学习、时空数据挖掘等领域的研究。

周凡吟，西南财经大学数据科学与商业智能联合实验室教授、博士生导师，主要从事生存分析、事件历史分析、贝叶斯计算、网络数据分析等领域的研究。

吕凤毛，西南交通大学计算机与人工智能学院副教授，博士生导师，主要从事多模态学习、开放世界学习、多媒体内容分析、人工智能安全等领域的研究。

李天瑞，西南交通大学计算机与人工智能学院院长，教授，博士生导师，四川省工业软件技术研究院院长，四川省学术与技术带头人，人工智能研究院副院长，综合交通大数据应用技术国家工程实验室副主任，系统可信性自动验证国家地方联合工程实验室副主任，可持续城市交通智能化教育部工程研究中心常务副主任，四川省云计算与智能技术高校重点实验室主任，中国人工智能学会理事，中国计算机学会成都分部主席，四川省人工智能学会副理事长，主要从事人工智能、数据挖掘与知识发现、云计算与大数据以及粒计算与粗糙集等领域的研究。

黄雁勇，西南财经大学数据科学与商业智能联合实验室教授、博士生导师，主要从事Data-centric AI，多模态学习，增量学习等领域的研究。