近日，我司钱文彬青年教授团队在中科院SCI一区TOP期刊《Information Fusion》上发表研究成果“Disambiguation-based Partial Label Feature Selection via Feature Dependency and Label Consistency”，这是首次以公司为第一单位在该期刊上发表重要学术成果。Information Fusion期刊最新发布的影响因子为17.564，是计算机科学和人工智能领域的国际顶尖权威刊物，根据最新的JCR统计，在“Computer Science: Artificial Intelligence”学科146个期刊中排名第3，在“Computer Science: Theory & Methods”学科110个期刊中排名第2。

由于面向带噪声标记数据的学习和挖掘是人工智能和机器学习领域的关键性科学问题，为此，本研究成果针对应用场景中复杂数据的标记歧义性和特征高维性，提出了基于粒球计算框架的标记消歧方法，在噪声标记分布学习过程中利用标记增强技术实现对高维数据的噪声标记进行消歧处理，同时，从特征依赖度和标记一致性的信息融合视角，创新性地提出了特征的重要性度量准则，构造了面向带噪声标记数据的特征选择模型和算法，有效解决了特征冗余性问题，能够显著提高学习模型的可解释性和分类性能。

附论文链接地址:

https://www.sciencedirect.com/science/article/abs/pii/S1566253523000271

供稿：十大正规赌官方网站   审核：肖意风