近期，我院人工智能研究团队在聚类集成研究方面取得重要进展，相关成果“Self-Constrained Clustering Ensemble”发表在人工智能领域国际顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（简称TPAMI，影响因子：18.6）。该论文第一作者为魏巍教授，通讯作者为梁吉业教授，第二作者为2023级博士生吴建国，合作者为2022级博士生闫京、中北大学讲师郭鑫垚。

作为人工智能的核心方向之一，无监督学习致力于让机器从未标注数据中自动发现潜在规律，是实现机器智能突破的关键。聚类分析是其基础方法，聚类集成通过融合多基聚类结果提升稳定性与鲁棒性。但现有方法多为 “一次性融合基聚类”，难适配复杂高维数据非线性结构，还易受低质量基聚类干扰。

为此，研究团队首创迭代式聚类集成新范式（见图 1），通过动态挖掘成对约束，实现度量学习与聚类集成的协同优化，迭代生成判别性更强的基聚类，大幅提升复杂数据聚类精度，可为大数据分析处理提供关键技术支撑。

图1：自约束聚类集成框架图

在多个公开数据集上的实验验证表明，所提方法在聚类精度上优于代表性的聚类集成方法（见图2），特别是在不同集成规模下，仍保持优异聚类性能（见图3）。

图2：聚类精度（ACC）对比

图3：不同集成规模下的聚类精度（ACC）平均表现

该研究工作得到计算智能与中文信息处理教育部重点实验室、国家自然科学基金项目（62276160）、山西省基础研究计划项目（202203021211291，202303021222030）、山西省留学人员科技活动项目（20240002）等支持。

TPAMI期刊于1979年建刊，是国际上公认的人工智能领域顶级期刊，同时也被中国计算机学会（CCF）推荐为人工智能领域的A类期刊，主要刊登人工智能领域的高质量前沿研究成果。