时间：2025年6月7日 星期六

地点：成都大学2教2113室

报告人：陈凯文 胡奇兴

来自成都大学电子信息与电气工程学院的陈凯文同学聚焦于半监督学习与非负矩阵分解（NMF）的结合研究，详细解读了《Semi-supervised non-negative matrix factorization with structure preserving for image clustering》。针对现有半监督 NMF 方法仅用 0 和 1 构建标签矩阵、忽略 NMF 内在结构的问题，该研究创新性地提出了一种保留结构的半监督 NMF 方法（SNMFSP）。通过引入带权重的标签矩阵，不仅记录标签信息还保留数据的范数特征，同时构建标签约束正则项和基正则化项，优化了编码矩阵和基图像的学习。这种新框架为高维图像数据的聚类分析提供了更具解释力的解决方案。

随后，来自成都信息工程大学应用数学学院的胡奇兴同学则分享了《Deep Tensor Spectral Clustering Network via Ensemble of Multiple Affinity Tensors》，针对传统张量谱聚类（TSC）方法内存消耗大、两阶段集成策略效果有限的挑战，提出了一种深度张量谱聚类网络（TSC-Net）。该网络通过深度神经网络将输入样本映射到共识张量谱嵌入空间，利用随机优化技术仅计算部分亲和张量，大幅降低内存成本。同时，通过集成多阶亲和张量，实现了一阶学习共识嵌入，在多个基准数据集上的表现均优于传统 TSC 方法和深度聚类方法。

两篇论文分别从结构保留的矩阵分解与深度张量集成学习视角，为高维数据聚类提供了新思路：前者通过标签矩阵重构与多正则化项融合，解决半监督学习中数据结构利用不充分的问题；后者借助神经网络与随机优化，突破传统张量方法的内存与性能限制。二者均展现了机器学习与数据表示理论的交叉潜力，为图像分析、医学影像等领域的复杂数据聚类提供了可迁移的技术框架。