近日，人工智能学院李松涛老师团队研究生袁家鑫以第一作者在IEEE Transactions on Mobile Computing（影响因子8.8, CCF-A，中科院一区）发表一篇题为”Unified Joint Semi-supervised Non-Negative Matrix Factorization for Multi-View Data Clustering”的论文，江汉大学人工智能学院为第一完成单位。（DOI:10.1109/TMC.2026.3709098）《IEEE Transactions on Mobile Computing》是中国计算机学会推荐的A类期刊，为计算机网络领域权威的学术期刊之一，该期刊侧重于架构、支持服务、算法/协议设计和分析、移动环境、移动通信系统、应用和新兴技术等关键问题。
非负矩阵分解（NMF）因其基于部分的表示能力，已被广泛应用于多视图数据聚类。然而，现有的多视图NMF方法通常需要精心调整多个平衡参数，以整合来自不同视图或目标组件的信息。这种对人工参数选择的高度依赖不仅使优化过程更加复杂，还导致聚类性能不佳。为克服这些局限性，提出了一种新颖的多视图聚类算法，该算法建立了一个统一的联合分解机制。该算法将可用的先验信息无缝嵌入共享的结构矩阵中。通过同时引入软标签和硬标签约束，所提方法增强了半监督学习范式，实现了样本对之间关系与聚类分配之间的直接且稳健的映射，且能以极低的计算损耗有望部署于轻量化节点上，具有分布式轻量化部署的潜力。
图1 统一联合矩阵分解流程框架
本方法的一个重要创新是对关系矩阵进行分解，从而有效消除了对视图权重进行人工参数调优的需求，该方法有望启发目前复杂的深度网络，从而提供了一种独特的轻量化视角。
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，江汉大学人才研究启动项目的支持。