寧波大學(xué)信息科學(xué)與工程學(xué)院張漢濤團(tuán)隊(duì)在《模式識(shí)別與人工智能》發(fā)表論文《面向動(dòng)態(tài)數(shù)據(jù)的聯(lián)合自表示子空間聚類方法》。該研究針對(duì)傳統(tǒng)自表示模型難以適應(yīng)動(dòng)態(tài)數(shù)據(jù)流的局限，提出聯(lián)合自表示子空間聚類方法(JSSC)，通過雙模塊協(xié)同工作，有效解決新舊數(shù)據(jù)特征異構(gòu)、新類別樣本識(shí)別等問題，在基準(zhǔn)數(shù)據(jù)集上展現(xiàn)出優(yōu)異的聚類性能。

　　子空間聚類技術(shù)在高維數(shù)據(jù)處理中應(yīng)用廣泛，但傳統(tǒng)模型多基于靜態(tài)數(shù)據(jù)集假設(shè)，面對(duì)連續(xù)到達(dá)的動(dòng)態(tài)數(shù)據(jù)時(shí)，易出現(xiàn)聚類性能下降、新類別樣本無法有效識(shí)別等問題。隨著人工智能在圖像分析、視頻處理等領(lǐng)域的深入應(yīng)用，動(dòng)態(tài)數(shù)據(jù)聚類已成為亟待突破的技術(shù)瓶頸。

　　張漢濤團(tuán)隊(duì)提出的JSSC方法創(chuàng)新性地設(shè)計(jì)了聯(lián)合自表示特征學(xué)習(xí)和新類別樣本處理兩大核心模塊。前者利用深度自動(dòng)編碼器從舊數(shù)據(jù)中學(xué)習(xí)子空間基，構(gòu)建統(tǒng)一特征空間，通過權(quán)重共享確保新舊數(shù)據(jù)特征的一致性;后者通過譜聚類生成偽標(biāo)簽，引入成對(duì)目標(biāo)損失和正則化項(xiàng)，在精準(zhǔn)識(shí)別已知類別的同時(shí)，高效聚類新類別樣本。

　　該方法無需依賴標(biāo)簽信息，實(shí)現(xiàn)完全無監(jiān)督聚類。在COIL-20、MNIST、CIFAR-10等5個(gè)基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)表明，JSSC在處理新類別樣本時(shí)表現(xiàn)突出，整體聚類準(zhǔn)確率優(yōu)于傳統(tǒng)子空間聚類方法。特征可視化結(jié)果顯示，該方法能有效捕捉數(shù)據(jù)內(nèi)在結(jié)構(gòu)，使新舊數(shù)據(jù)特征分布清晰可分;收斂性分析證實(shí)，模型在不同類型數(shù)據(jù)上均能穩(wěn)定收斂。

　　消融實(shí)驗(yàn)驗(yàn)證了各模塊的有效性，成對(duì)目標(biāo)損失可顯著提升新數(shù)據(jù)分類性能，正則化項(xiàng)能平衡新舊數(shù)據(jù)學(xué)習(xí)速率，避免模型過擬合。該研究為動(dòng)態(tài)數(shù)據(jù)聚類提供了新范式，可廣泛應(yīng)用于人臉聚類、視頻運(yùn)動(dòng)分割、智能數(shù)據(jù)分析等領(lǐng)域，為處理連續(xù)到達(dá)的高維數(shù)據(jù)流提供了高效解決方案。