近日，由我院青年博士胡良臣完成的一项关于机器学习数据表征方面的研究成果“分类导向的自学习图嵌入表征”被中国科学院一区Top期刊IEEE TCSVT录用并在线出版。

基于图嵌入(Graph Embedding，GE)的流形学习作为实现图像紧凑表征的一类代表性方法，二十年来得到了广泛的关注。高质量的图嵌入依赖于类内紧凑性图结构和类间可分性图结构的构建，这是模型生成有效判别特征的关键。非监督类的方法旨在从局部或全局角度揭示数据结构信息，但由于缺乏标签信息，所得到的紧凑表征往往具有类间间隔不显著的问题。而监督类的方法只考虑增强类内部的邻接亲和性，而未考虑了类间边缘的亲和性，导致难以捕捉不同类所属分布之间的边缘结构。为了克服这些问题，本成果提出了一种分类导向的自学习图嵌入(Class-Oriented Self-Learning Graph Embedding，COSLGE)学习框架，如图1所示，通过在整个数据域上引入自适应图学习过程来实现灵活的低维紧凑表征，同时通过联合学习一个线性分类器来同步检验低维嵌入的类间可分离性。大量实验结果表明，所提模型具有较强的泛化性和稳定性。此外，该模型可以很容易地扩展到半监督版本，并取得了很好的效果。成果论文题目为“Class-Oriented Self-Learning Graph Embedding for Image Compact Representation”，我院胡良臣老师为论文第一作者，安徽师范大学计算机与信息学院为第一完成单位。

图1. 一般鉴别准则（上）与所提图学习框架（下）示意图

IEEE TCSVT (IEEE Transactions on Circuits and Systems for Video Technology)是视频图像处理领域国际顶级期刊，2022年影响因子5.859，中国科学院一区TOP期刊。该成果论文目前已在IEEE Xplore网站上刊登：