近日，人工智能学院青年教师李松涛博士以第一作者在人工智能顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》（中科院1区 TOP IF=10.4）发表研究论文。江汉大学为第一完成单位。
传统的图正则化非负矩阵分解（GNMF）算法在数据表示方面表现出色，尤其在降维方面。然而，当处理带有噪声的数据时，GNMF学习到的表示可能不准确，导致模型对数据中的异常值过于敏感。例如，在面部数据集中，由于口罩或眼镜等遮挡物的存在，图正则化项可能会错误地描述样本间的关联关系，从而在矩阵分解过程中引发错误。因此，有必要开发一种更为鲁棒的非负矩阵分解方法，以准确处理带有噪声的数据。
该研究提出了一种新颖的自启动无监督子空间学习方法，能够在不改变原始数据的情况下，通过自启动方式创建不同角度的样本，并基于这些不同角度学习不同的图结构。此外，该研究提出的RNMF-SMGF模型是一个通用的多图融合嵌入框架，它充分融合了鲁棒学习和高性能图拉普拉斯图正则化嵌入方法的优点。且该框架极具拓展性，可以引入额外的监督知识，如半监督信息和各种融合图结构的方法，这也证明了该模型可探索替代方法的可能性。此成果不仅在理论上提供了一种新的视角来看待非负矩阵分解中的鲁棒性问题，而且在实际应用中也展示了其有效性。
据悉，李松涛博士主要从事可解释性机器学习方法与应用研究。入职江汉大学以来，李松涛博士成果相继发表在《Engineering applications of artificial intelligence》（IF=8.0）、《Information processing and management》（IF=8.6）等顶级期刊上。此项研究工作得到国家自然科学基金、江汉大学科研启动项目的支持。
