科研学术

　　近日，计算机科学与工程学院（网络空间安全学院）李长升研究员在人工智能、模式识别领域顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence 》（T-PAMI）上再次发表学术论文“Joint Active Learning and Feature Selection via CUR Matrix Decomposition”。李长升研究员为论文第一作者，电子科技大学计算机科学与工程学院（网络空间安全学院）和大数据研究中心为第一作者单位，合作研究单位包括华东师范大学、上海交通大学、美国佐治亚理工学院等。

　　现实场景中，数据的特征维度过高和数据的标注成本过高是经常遇到的问题。为了解决这些问题，特征选择和主动学习应运而生，现有的研究工作通常在对待特征选择和主动学习时，将其作为两个独立的任务，往往忽视了两者的耦合性。在论文中，李长升研究员等人率先研究了特征选择和主动学习之间的关系，提出了一套基于CUR矩阵分解的框架。此框架可以同时进行特征选择和主动学习，从而可以同时克服特征维度高和数据标注成本高的问题。（方法的示意图如图1所示）

　　图1：蓝色点表示原始数据，红色点表示作者的结果。从结果可以看出，选择的样本非常具有代表性，同时选择的特征含有大的信息量。

　　具体来讲，论文提出的方法目标是自动选择信息含量高的特征和样本，从而使得数据重构误差最小，信息总量损失最小。考虑到提出的目标函数是NP难的问题，作者使用了ADMM算法对其进行求解，并在理论上证明了此方法的全局收敛性。最后，作者在八个公共数据集上验证了此方法的有效性。（部分结果如图2所示）

　　图2：提出的方法与当前最优方法的结果比较（红色曲线和蓝色曲线是作者方法的结果）

　　李长升研究员博士毕业于中科院自动化所模式识别与智能系统专业。主要研究方向包括机器学习、深度学习、多任务学习、特征学习等。近五年以第一作者或者通讯作者发表CCF A类论文或者中科院JCR-1区期刊12篇，包括T-PAMI, T-NNLS, T-C, CVPR, IJCAI, AAAI, MM等。授权/申请专利近10项。同时，担任十多个顶级期刊或者会议的审稿人或者程序委员会委员。他也是SCI期刊IEEE ACCESS的客座编辑。

　　IEEE Transactions on Pattern Analysis and Machine Intelligence是人工智能、模式识别、图像处理、计算机视觉领域的顶尖国际期刊之一，2016-2017年度影响因子为8.329，属于中科院JCR TOP期刊，是计算机科学与人工智能领域的5个一区刊物之一。该期刊覆盖所有计算机视觉、图像理解、模式分析与识别等传统领域，以及部分机器智能领域，尤其强调模式分析的机器学习的前沿成果。

　　今年3月，李长升研究员在T-PAMI上发表了题为“Dynamic Structure Embedded Online Multiple-Output Regression for Streaming Data”（面向流式数据的动态结构嵌入的在线多输出回归方法）的研究论文。

　　论文链接：

　　https://ieeexplore.ieee.org/document/8367893/