张汉涛团队在《模式识别与人工智能》发表动态数据子空间聚类方法论文

　　宁波大学信息科学与工程学院张汉涛团队在《模式识别与人工智能》发表论文《面向动态数据的联合自表示子空间聚类方法》。该研究针对传统自表示模型难以适应动态数据流的局限，提出联合自表示子空间聚类方法(JSSC)，通过双模块协同工作，有效解决新旧数据特征异构、新类别样本识别等问题，在基准数据集上展现出优异的聚类性能。

　　子空间聚类技术在高维数据处理中应用广泛，但传统模型多基于静态数据集假设，面对连续到达的动态数据时，易出现聚类性能下降、新类别样本无法有效识别等问题。随着人工智能在图像分析、视频处理等领域的深入应用，动态数据聚类已成为亟待突破的技术瓶颈。

　　张汉涛团队提出的JSSC方法创新性地设计了联合自表示特征学习和新类别样本处理两大核心模块。前者利用深度自动编码器从旧数据中学习子空间基，构建统一特征空间，通过权重共享确保新旧数据特征的一致性;后者通过谱聚类生成伪标签，引入成对目标损失和正则化项，在精准识别已知类别的同时，高效聚类新类别样本。

　　该方法无需依赖标签信息，实现完全无监督聚类。在COIL-20、MNIST、CIFAR-10等5个基准数据集上的实验表明，JSSC在处理新类别样本时表现突出，整体聚类准确率优于传统子空间聚类方法。特征可视化结果显示，该方法能有效捕捉数据内在结构，使新旧数据特征分布清晰可分;收敛性分析证实，模型在不同类型数据上均能稳定收敛。

　　消融实验验证了各模块的有效性，成对目标损失可显著提升新数据分类性能，正则化项能平衡新旧数据学习速率，避免模型过拟合。该研究为动态数据聚类提供了新范式，可广泛应用于人脸聚类、视频运动分割、智能数据分析等领域，为处理连续到达的高维数据流提供了高效解决方案。