科学研究

团队概况

机器学习与模式识别研究所隶属于西北工业大学光电与智能学院，至今已在国际人工智能高水平期刊以及CCF A类会议如：IEEE TPAMI、TNNLS、TCyb、TIP、TKDE、PR、SIGKDD、AAAI、IJCAI、CVPR等发表相关研究论文40余篇，近年来申请机器学习领域相关专利7项。主要研究方向为人工智能、数据挖掘、模式识别和机器学习。核心成员包括1名教授，2名副教授，博士、硕士研究生20余人。

研究方向

1.  维数约简

对维数约简问题，从理论分析、模型构建及算法设计三方面进行了系统地研究，解决了高维数据下的技术难点，其中主要研究内容包括迹比值子空间学习理论研究、灵活降维框架模型构建以及鲁棒降维算法设计等。

l 理论分析

图1. 提出基于迹比值的子空间学习理论与方法

l 模型构建

图2. 构建灵活的无监督和半监督降维模型

l 算法设计

图3. 设计基于结构化稀疏范数的鲁棒降维算法

2.  聚类分析

针对高维数据特征复杂问题，提出了线性正则化聚类算法；针对离散谱聚类中的NP-hard问题，提出了正交谱旋转聚类算法；针对算法的初始化敏感问题，提出了结构最优图聚类算法。

l 高维数据分析

图4. 如何挖掘高维数据聚类结构

l NP-hard问题

图5. 如何解决离散标签优化问题

l 初始化敏感

图6. 如何提高聚类算法的稳定性

3.  优化技术

针对非凸优化难题，提出了高效的非贪婪式算法；针对非光滑优化难题，提出了简洁的迭代变权算法；针对离散约束优化难题，提出了新颖的交替更新算法。

l 非凸优化

图7. 如何挖掘高维数据聚类结构

l 非光滑优化

图8. 如何解决离散标签优化问题

l 离散化优化

图9. 如何提高聚类算法的稳定性

团队成果

代表性科研获奖情况

【中国计算机学会科学技术奖】一等奖：基于流形的高维数据低维表达与学习，2018

【吴文俊人工智能科学技术奖】二等奖：子空间学习的理论与方法，2017

【中国图象图形学学会科学技术奖】二等奖：视觉内容智能分析与学习，2018

代表性国家重点项目承担情况

【科技部】重大项目2030：可泛化的领域知识学习与计算引擎，2019-2022

【国家自然科学基金】面上项目：结构化图学习理论与方法研究，2018-2021

【国家自然科学基金】重点项目子课题：开放环境中不确定条件下的新型智能感知与行为理解方法研究，2018-2020