信息科學(xué)技術(shù)學(xué)院計(jì)算機(jī)科學(xué)系數(shù)據(jù)智能與腦機(jī)接口團(tuán)隊(duì)在人工智能?chē)?guó)際頂級(jí)期刊TPAMI發(fā)表論文
暨南大學(xué)融媒體中心訊 近日，暨南大學(xué)信息科學(xué)技術(shù)學(xué)院計(jì)算機(jī)科學(xué)系數(shù)據(jù)智能與腦機(jī)接口團(tuán)隊(duì)在人工智能?chē)?guó)際頂級(jí)期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（CCF-A，一區(qū)Top,IF=18.6）在線(xiàn)發(fā)表了題為“Local and High-Order Consistency Coding and Adaptation for Cross-Hypergraph Node Classification”的研究論文。暨南大學(xué)計(jì)算機(jī)科學(xué)系數(shù)據(jù)智能與腦機(jī)接口團(tuán)隊(duì)吳漢瑞副教授為第一作者，龍錦益教授為通訊作者，香港浸會(huì)大學(xué)講席教授Michael K.Ng（吳國(guó)寶）和華南理工大學(xué)講席教授陳俊龍為合作作者。這是團(tuán)隊(duì)近年來(lái)第三次在該期刊發(fā)表論文。
現(xiàn)有超圖節(jié)點(diǎn)分類(lèi)方法通常假設(shè)存在少量有標(biāo)注訓(xùn)練節(jié)點(diǎn)。然而，在新形成的超圖中，收集標(biāo)簽信息具有挑戰(zhàn)性且成本高昂。此外，現(xiàn)有方法主要利用局部一致性關(guān)系（即直接鄰居信息），而忽略了高階一致性關(guān)系（即高階鄰居信息），限制了特征表示的判別性。為此，團(tuán)隊(duì)引入已有標(biāo)注信息的源超圖來(lái)輔助新形成目標(biāo)超圖的學(xué)習(xí)任務(wù)，實(shí)現(xiàn)跨超圖節(jié)點(diǎn)分類(lèi)。具體來(lái)說(shuō)，所提出方法聯(lián)合利用局部和高階一致性信息學(xué)習(xí)判別性特征，并通過(guò)對(duì)抗域自適應(yīng)和對(duì)比學(xué)習(xí)得到可遷移性特征。此外，團(tuán)隊(duì)從數(shù)學(xué)理論層面推導(dǎo)出了所提出跨超圖濾波器的理論邊界。
超圖是一種描述實(shí)體高階結(jié)構(gòu)信息的有效工具，而腦機(jī)接口中EEG通道之間具有高階關(guān)聯(lián)關(guān)系。因此，可利用超圖構(gòu)建EEG通道的高階結(jié)構(gòu)，并利用上述工作處理跨被試的腦電信息分析問(wèn)題。
該研究工作得到了國(guó)家自然科學(xué)基金（62576151,62206111,62276115）等項(xiàng)目的支持。
文章鏈接：https://ieeexplore.ieee.org/document/11478337
責(zé)編：常凱麗