11月8日晚，计算机学院第九场国际学术专题报告在计算机学院四楼拐角会议室举行，西北工业大学计算机学院机器学习与模式识别方向的博士研究生常伟应邀担任主讲人，来自计算机学院的30余名本科生及研究生参加了此次报告会。

常伟为同学们带来主题为“Adaptive feature weight learning for robust clustering problem with sparse constraint”的报告。常伟提到：“虽然聚类任务近年来得到了很大的发展，如基于分割和基于图的方法。然而，在提高鲁棒性方面，现有的算法大多只关注数据之间的噪声和离群值，而忽略了特征空间中的噪声。为了解决这种情况，我们提出了一种新的权重学习机制，自适应地重新分配数据中的每个特征的权重。结合聚类任务，我们进一步提出了一种基于自加权特征学习的鲁棒模糊K-Means模型，可以有效降低噪声特征的比例。此外，在该模型中引入正则化项，使每个样本的样本到类中心的隶属度具有适当的稀疏性。进一步的，我们还设计了一种有效的调参策略来确定惩罚参数的值。”

报告中，常伟首先普及了鲁棒聚类问题的概念，向同学们说明了针对特征权值聚类算法存在对噪声敏感的问题,通过对数学知识的灵活运用，包括矩阵相关知识、数学分析相关知识、高等数学里的一些基本概念的综合，来解决看来十分抽象的问题。 接着向同学们介绍了模糊K-Means算法，引入了模糊理论虽然解决了在类簇边界重叠的问题，但这也又带来了两个新问题：一是在模糊K-Means算法中前提假设了样本中的每个特征都同等重要，因此，如果数据中出现噪声特征会参与算法的计算，从而严重影响算法的性能。二是如何保证模糊K-Means 算法对概率指示矩阵具有合适的稀疏性。为了解决这两个问题，常伟介绍了基于自加权特征学习的鲁棒模糊K-Means 均值模型，它通过引入了一个权重矩阵来降低噪声特征的权重，这样算法中噪声对结果的影响就会大大降低。此外，还在模型中引入了正则化项，使得每个样本隶属度有合适的稀疏性。解决了这两个问题后算法的鲁棒性得到了很大的提高。在报告会的最后，常伟还向同学们介绍了一些机器学习相关的书籍、网站和期刊论坛，耐心讲解了每本书的主要研究方向，鼓励同学们在学习之余也能够去阅读一些含金量高的其他专业书籍。

会后，同学们纷纷感叹受益颇多。李胜宽同学感言：“在这次报告会中，通过学长的介绍，我深深了解到了科研的艰辛，而学长之所以能够如此坚持不懈，正是源于他对科研浓厚的兴趣和热爱。学习是永无止境的，而身处前沿计算机专业的我们更是如此。因此，在课余时间里我们也要多阅读资料和书籍，借鉴他人的思路和方法，通过学长给我们推荐的书籍、课程、会议期刊等等来拓宽自己的视野，将基础知识掌握牢固，积极投身到学习与科研当中，必定也会有不少的收获。”

(审稿：郭斌 於志文）