近日，智能康复系统感知与控制国际联合研究中心研究生马力与周楠老师（共同第一作者）、杜元花老师（通讯作者）、王文昊老师、施开波老师、加拿大Pedrycz院士合作完成的研究论文《Low-Rank Matrix Factorization Induced Adaptive Divergent Graph Learning for Fuzzy Clustering》，在国际顶尖期刊《IEEE Transactions on Fuzzy Systems》（Early Access）正式发表。该期刊为中科院一区TOP期刊，2025年影响因子达11.9，是人工智能与模糊系统领域的权威学术平台。

模糊聚类是处理非线性、重叠数据的核心技术，广泛应用于图像分析、数据挖掘等领域。传统方法常面临对噪声敏感、高维数据处理能力不足、图构建与聚类步骤割裂等问题。研究团队提出的低秩矩阵分解诱导的自适应发散图学习模糊聚类模型（LAGFC），从以下三方面实现突破：

1. 全局与局部信息统一建模：首次将低秩矩阵分解、自适应图学习与模糊聚类融合，同时捕捉数据的全局结构与局部流形信息，提升表示学习能力 [论文第3章]；

2. 端到端优化生成聚类标签：引入发散正则化项，实现从图学习到标签推断的端到端训练，避免传统方法因两步分离导致的信息损失 [公式(11)]；

3. 最大熵准则抑制异常值：采用最大相关熵准则（MCC）作为距离度量，配合基于Fenchel共轭理论的迭代优化算法，显著提升模型对噪声与异常值的鲁棒性 [第III-C节]。

该研究在7个国际公开图像数据集（如COIL20、ORL、WarpPIE等）上进行了系统验证，结果表明LAGFC在准确率（ACC）、归一化互信息（NMI）等6项指标上整体优于12种主流聚类方法，包括基于矩阵分解的CLMF、深度学习方法DSBC以及模糊聚类方法LGFCA等 [表III]。

本研究由马力同学和周楠老师共同作为第一作者完成，杜元花老师担任通讯作者并全程指导。成果的发表体现了中心在人工智能与数据挖掘交叉领域的研究实力，也为图像分析、生物信息学等领域的聚类任务提供了更稳健、高效的解决方案。

未来，中心将持续加码对高水平科研创新的资源投入与平台支撑，积极推动多学科交叉融合与协同攻关，助力更多原创性科研成果登上国际顶级学术平台；以这些硬核成果为支点，为相关技术领域的前沿突破与产业落地持续注入强劲动能！

论文链接：https://ieeexplore.ieee.org/document/11298541

DOI：10.1109/TFUZZ.2025.3643471

一  审： 周   楠

二  审： 罗浚溢

三  审： 施开波