近日，我院卢琳璋教授团队在人工智能领域著名期刊Neural Networks （IF=6.0）上发表了题为“Semi-supervised non-negative matrix factorization with structure preserving for image clustering”的研究论文。
由于合理利用部分标签信息，半监督学习方法具有广泛的应用。近年来，非负矩阵分解(NMF)因其可解释性和实用性受到了广泛关注。基于半监督学习与NMF的优势，提出了许多半监督NMF方法。然而，这些现有的半监督NMF方法仅构造一个仅包含元素1和0的标签矩阵来表示被标记的数据，这忽略了NMF的内在结构。为了解决这一不足，文中提出了一种新的保结构的半监督NMF(SNMFSP)方法。具体地，首先构造一个带权重的标签矩阵，并进一步构造一个标签约束正则化，这样既利用标签信息又保留NMF的内在结构。然后，基于标签约束正则化，提取标签数据的基图像，通过建立基正则化来监督和修正所有数据的基图像学习。最后，将标签约束正则化和基正则化引入到NMF中，提出了一种新的半监督NMF方法。为了解决提出的优化问题，发展了一种乘法更新算法。将所提出的方法应用于图像聚类，以测试其性能。与其它无监督和半监督算法相比，在八个数据集上的实验结果表明文中所提出的方法是有效的。
该论文是由数学科学学院卢琳璋教授指导的博士生景文静、卢琳璋教授、欧卫华教授共同完成。该研究得到国家自然科学基金项目（12161020, 12061025, 62262005）和贵州省高层次创新型人才项目（GCC[2023]033）的资助。
一审：熊胜兰
二审：唐树安
三审：龙见仁
