近日，人工智能学院人工智能专业本科生金鑫与计算机科学与技术专业（实验班）本科生王沂鹏分别以第一作者在SCI一区Top 期刊《IEEE Internet of Things Journal》（IF：8.9）和《INFORMATION SCIENCES》（IF：6.8）发表研究论文。指导老师均为人工智能学院教师李松涛博士，江汉大学为第一完成单位。
针对现有多视图聚类非负矩阵分解与深度学习结合的方法受限于固定网络架构和僵化融合策略的缺陷，该研究提出了一种全新的自适应层次矩阵分解框架（CDMVC），在特征表征层面，该框架设计了一种自适应分层矩阵分解模块，通过构建质量评估体系，量化各异构视图的内在结构复杂度，并自适应推演出最优分解深度；在信息融合层面，提出了一种协同动态视图权重学习与共识划分细化的联合机制，根据视图的结构质量与聚类相关性分配权重以抑制冗余视图，从而在保留视图特异性特征与维持跨视图全局一致性之间实现了平衡。此成果不仅在理论上提供了严密的收敛性证明，而且在特定工业物联网场景下多源传感器数据呈现出的高度非线性耦合特征中，也展现了一定的适用性。其特征提取能力能够有效解耦复杂的底层物理信号，突破了传统浅层分解方法难以处理复杂物联网传感数据的局限。
图1 自适应层次矩阵分解框架流程
针对非负矩阵分解（NMF）在多视图聚类中面临的参数配置繁琐、有限监督信号利用不充分以及跨视图几何结构易被忽视等挑战，该研究提出了一种基于贝叶斯优化的半监督多视图聚类模型（BLNMF）。该模型构建了一个协同优化的理论框架，其核心在于引入了混合软硬标签约束机制：硬约束精确锚定少量的已知监督信息，而软约束则依托统一的共识亲和图，将标签分布平滑地扩散至无标签样本中。同时，借助贝叶斯优化策略，模型实现了在复杂连续参数空间中的高效自动化搜索，有效克服了传统人工网格调参的计算瓶颈与局限性。在六个基准数据集上与九种前沿方法的全面对比实验表明，BLNMF不仅显著提升了多视图聚类的准确性与一致性，在保持数据内在流形结构以及算法的稳定性方面也展现出了明显优势。
图2 贝叶斯优化的半监督非负矩阵分解方法流程图
上述研究工作得到国家自然科学基金、湖北省自然科学基金，江汉大学科研启动项目与江汉大学基础研究项目的支持。