貴大新聞網訊（大數據與信息工程學院） 近日，我校大數據與信息工程學院2021級信息管理與信息系統專業本科生謝武林以第一作者身份投稿的學術論文 UPDGD-Net: An Uncertainty-aware Pseudo-labeling and Dual Graph Driven Network for Incomplete Multi-view Multi-label Classification 被人工智能與多媒體領域國際頂級會議ACM MM 2024收錄。

ACM MM全稱為ACM國際多媒體會議（ACM International Conference on Multimedia），由美國計算機協會（ACM）主辦，是全球多媒體領域最具影響力的國際頂級學術會議之一，享有很高的國際學術聲譽。在中國計算機學會（CCF）推薦的國際學術會議中，ACM MM為多媒體與人工智能領域的A類會議；在谷歌學術公布的最新學術出版物影響力榜單中，ACM MM在多媒體及相關領域的所有學術出版物中h5-index為 101。

謝武林的主要研究方向包括多視圖學習、多標簽分類與機器學習。他表示，此次論文取得的成績，要感謝學校提供的良好環境和資源，感謝大數據與信息工程學院盧曉寰老師的悉心指導和同學們的鼓勵支持。從研究工作的開展到論文寫作的打磨，不僅提升了他的學術能力，更培養了他的毅力和獨立思考能力，深刻體會到學術研究的嚴謹性和重要性。他將以此為新起點，繼續努力，在學術道路上不斷探索前行。

延伸閱讀：

隨著數據獲取技術的發展，來自不同來源的多視圖數據能夠提供更細致和多樣化的對象表示。例如，一幅圖像可以用SIFT、Gist和HSV等多種不同的特征提取方法來表示。因此，多視圖學習已成為數據分析領域的重要方法，許多相關工作基于子空間學習和矩陣分解提出了多種方法。

另一方面，作為經典的分類問題，多標簽分類（MLC）長期以來在模式識別領域中占據重要地位。與要求標簽之間互斥的單標簽數據不同，多標簽數據包含多個類別標簽，并自然地保持復雜的標簽相關性。例如，一張圖片可能包含“霓虹燈招牌”“人行道”和“行駛車輛”等多個元素，每個元素都有助于對場景的更全面理解。然而，傳統的多標簽分類方法主要依賴于單一視角提取的特征，限制了其性能。通過將多視圖學習整合到多標簽分類中，可以有效緩解這一限制。因此，復合多視圖多標簽分類（MvMLC）應運而生，并吸引了越來越多研究者的關注。

然而，MvMLC面臨的一個重大挑戰是數據的不完整性，既包括視圖的不完整也包括標簽的不完整。這一挑戰直接導致了不完整多視圖多標簽分類（iMvMLC）的必要性，該任務關注于在某些視圖或標簽缺失的情況下進行分類。為了解決這一問題，該篇文章提出了一種不確定性感知的偽標簽生成與雙圖驅動網絡（UPDGD-Net）。不同于現有方法，UPDGD-Net通過不確定性感知的偽標簽生成策略填補缺失標簽，并利用填補后的標簽矩陣對模型提取的高維特征施加雙圖約束，從而保持原始數據的內在結構。此外，該文設計了兩個基于Transformer的模塊，分別用于跨視圖聚合和多標簽分類，并在跨視圖聚合模塊中應用了平均視圖標記（AVT），以更好地學習多視圖之間的一致信息。實驗結果表明，UPDGD-Net在五個數據集上的表現優于其他最先進的方法，驗證了其有效性。

編輯：張蟬

責編：李旭鋒

編審：丁龍