近日，智能康复系统感知与控制国际联合研究中心学子黄佳杰同学与陈二阳老师、周楠老师、于钥老师等合作完成的研究论文《Robust adaptive anchor points and bipartite graph learning for image clustering》，在国际知名期刊《Information Sciences》正式录用发表。该期刊为中科院二区期刊，在信息科学领域具有重要学术影响力，是国际信息处理与人工智能领域的权威交流平台。

图像聚类作为模式识别、图像分类等任务的核心技术，在智能康复辅助诊断、医疗影像分析等场景中应用广泛。针对传统方法存在锚点固定、易受离群点干扰、难以利用标签信息的痛点，研究团队创新性提出稳健自适应二部图学习框架（ABG-LMF），为半监督图像聚类提供全新解决方案。

该方法的核心突破的包括：

1. 设计自适应锚点生成策略，将锚点建模为样本的非负线性组合，动态适配数据分布，解决传统固定锚点代表性不足的问题；

2. 融合最大相关熵准则（MCC），有效抑制离群点和噪声干扰，提升模型鲁棒性，克服传统平方误差对异常值敏感的缺陷；

3. 整合约束低秩矩阵 factorization，充分利用有限标签信息与全局数据重构信息，增强特征表示的判别能力；

4. 提出基于 Fenchel 共轭和块坐标更新的迭代优化算法，确保模型快速收敛且计算高效。

经实验验证，ABG-LMF 在 ORL、Yale、ATT、WarpAR 四大国际公开图像数据集上表现优异。在 ORL 数据集上聚类准确率（ACC）达 92.57%、归一化互信息（NMI）达 88.22%，较现有最优方法分别提升 4.33% 和 2.63%；在 ATT 数据集上 ACC 高达 96.79%，NMI 达 95.46%，各项指标均显著优于 11 种主流对比方法，展现出强大的聚类性能与泛化能力。

本成果由黄佳杰同学与陈二阳老师作为共同第一作者完成，周楠老师担任共同通讯作者，为研究提供全面指导。该成果的发表不仅彰显了中心学子扎实的科研功底与创新思维，也体现了中心在智能算法与计算机视觉交叉领域的研究实力。

未来，中心将持续支持师生开展高水平科研创新，鼓励跨学科协作，推动更多成果在国际权威平台产出，为智能康复技术的智能化升级注入强劲动力！

论文链接：https://doi.org/10.1016/j.ins.2025.122838

一  审： 周   楠

二  审： 罗浚溢

三  审： 施开波