1月23日，第13屆國(guó)際學(xué)習(xí)表征會(huì)議（International Conference on Learning Representations）（簡(jiǎn)稱：ICLR） 公布了2025年論文錄用結(jié)果。北京工業(yè)大學(xué)計(jì)算機(jī)學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系呂庚育、楊震教授團(tuán)隊(duì)指導(dǎo)的博士生林約拿以第一作者身份在ICLR 2025會(huì)議發(fā)表論文，實(shí)現(xiàn)了以第一作者身份在該國(guó)際會(huì)議上發(fā)表論文的突破。

ICLR是全球機(jī)器學(xué)習(xí)領(lǐng)域最具影響力的學(xué)術(shù)會(huì)議之一，與國(guó)際機(jī)器學(xué)習(xí)大會(huì)（ICML）、神經(jīng)信息處理系統(tǒng)大會(huì)（NeurIPS）并稱為“機(jī)器學(xué)習(xí)三大頂會(huì)”。

本次發(fā)表的論文“Enhance Multi-View Classification through Multi-Scale Alignment and Expanded Boundary”，展示了團(tuán)隊(duì)在多視圖學(xué)習(xí)領(lǐng)域的最新研究成果。長(zhǎng)期以來(lái)，此類研究通常通過(guò)學(xué)習(xí)共享子空間來(lái)處理多視圖數(shù)據(jù)的異質(zhì)性，忽略了利用不同類之間的差異性劃分可靠的決策邊界，導(dǎo)致良好的分類性能難以實(shí)現(xiàn)。發(fā)表論文提出了模型MAMC，旨在挖掘視圖表示之間的共識(shí)性，同時(shí)在表示空間中學(xué)習(xí)清晰的決策邊界。MAMC包含一個(gè)多尺度對(duì)齊策略，實(shí)現(xiàn)從視圖內(nèi)和視圖間挖掘視圖表征的共識(shí)性信息。此外，MAMC還包含一種新穎的擴(kuò)展邊界，其能自適應(yīng)地調(diào)整邊界以學(xué)習(xí)清晰的決策邊界。多個(gè)公開(kāi)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，MAMC能實(shí)現(xiàn)多個(gè)指標(biāo)的優(yōu)越性能以及模型魯棒性。

編輯：曹雨 審核：劉瀟