我院唐厂老师参加2022年国际多媒体大会并做学术报告

2022年10月10至14日，第30届ACM国际多媒体大会（ACM MM）于葡萄牙首都里斯本举行。由于疫情原因，会议采用线上和线下结合的方式举行。我院人工智能系唐厂老师通过线上的方式参加会议并做学术报告。

@ https://2022.acmmm.org/

ACM国际多媒体会议（ACM International Conference on Multimedia，ACM MM）是计算机科学领域中多媒体领域的首要国际会议，也是我国CCF推荐的A类会议。该会议接收的论文研究的重点是整合不同数据形式（包括图像，文本，视频，音乐，传感器数据，音频）提供的多种视角。自1993年以来，ACM多媒体大会一直将学术界和工业界的研究人员和从业人员汇聚在一起，提出创新的研究成果并讨论最新进展，该会议今年是第30届举办。我院唐厂老师题为“Efficient Multiple Kernel Clustering via Spectral Perturbation”的论文今年被大会接收，于10月11号在线参加了会议，并作了15分钟学术报告。该论文研究针对目前多核聚类方法处理大数据时的复杂计算量展开，提出了一种有效且快速的多核聚类算法，将以往的多核聚类算法时间复杂度降低一个数量级，且能保持良好的数据聚类性能。

当前多核聚类算法在学习最优核矩阵和计算聚类结果时存在的计算复杂度是O(n^3)，很难应用于大数据场景。考虑到最优聚类划分矩阵与多个基础聚类划分矩阵之间的特征差异为最优核矩阵与多个基础核矩阵之间扰动误差的下界，我们最大化特征差异来逼近扰动误差，并从多个基础聚类划分矩阵中重建出一个最优的聚类划分矩阵。为了降低计算基础聚类划分矩阵时的复杂度，我们引入了一个等价的目标函数从基础核矩阵中迭代求解得到聚类划分矩阵。此外，我们使用了一种核加权策略来捕获多个核矩阵之间的差异性。最后，我们将最优聚类划分矩阵学习、基础聚类划分矩阵学习，和核权重学习统一到一个目标函数中，并设计了一种与样本数量呈线性复杂度的交替迭代优化算法求解目标函数。实验表明，提出的高效的多核聚类算法在取得更好的聚类性能的同时花费更低的计算消耗。

通讯员：刘袁缘

审核：陈占龙

校对：牟扬