近日，自動化學(xué)院“人機(jī)混合智能與智慧健康研究中心”以杭州電子科技大學(xué)為第一單位在人工智能國際知名期刊Pattern Recognition（PR）上發(fā)表了文章《Matrix Randomized Autoencoder》。該論文的第一作者為我校自動化學(xué)院2020級碩士研究生張詩晨，指導(dǎo)教師為研究中心負(fù)責(zé)人曹九穩(wěn)教授和王天磊老師。《Pattern Recognition》是人工智能領(lǐng)域的國際知名期刊之一，SCI中國科學(xué)院一區(qū)收錄，2023年的影響因子為8.0，在機(jī)器學(xué)習(xí)與模式識別領(lǐng)域具有很高的影響力。

隨機(jī)自編碼器(randomized autoencoder, RAE)因其表征能力強(qiáng)、學(xué)習(xí)速度快而備受關(guān)注。然而主流的隨機(jī)自編碼器仍然是針對標(biāo)量/向量數(shù)據(jù)設(shè)計的，這不可避免地破壞了張量數(shù)據(jù)的結(jié)構(gòu)信息。為了彌補(bǔ)這一不足，本文提出了一種新的基于卷積構(gòu)造的二維矩陣隨機(jī)自編碼器(MRAE)，包括利用行或列信息的單邊隨機(jī)自編碼器(OMRAE)和由2個并行的矩陣隨機(jī)自編碼器同時提取行和列信息的雙邊MRAE (DMRAE)。為了減少無意義的編碼特征，進(jìn)一步引入基于類內(nèi)散度(WSI)和類內(nèi)交互距離(WID)約束的類內(nèi)正則項，提出了WSI-OMRAE和WID - OMRAE。將堆疊的MRAEs嵌入到分層正則化最小二乘框架中實施單分類無監(jiān)督異常檢測，并與先進(jìn)的算法進(jìn)行了比較，驗證了所提出方法的有效性。

圖1:MRAE的架構(gòu)

人機(jī)混合智能與智慧健康研究中心隸屬于杭州電子科技大學(xué)自動化學(xué)院，依托于浙江省機(jī)器學(xué)習(xí)與智慧健康國際合作基地，主要研究方向包括：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、醫(yī)學(xué)信號處理、場景文字識別、自然語言處理等。研究中心現(xiàn)有在職教師11名，其中包含6位教授、2位副教授、3位講師，碩博生60余名。負(fù)責(zé)人曹九穩(wěn)教授是自動化學(xué)院院長，浙江省機(jī)器學(xué)習(xí)與智慧健康國際合作基地中心主任，國家高層次青年人才。研究中心與法國巴黎大學(xué)、新加坡南洋理工大學(xué)、加拿大溫莎大學(xué)、德國伍伯塔爾大學(xué)、澳門大學(xué)、復(fù)旦華山醫(yī)院、浙江省兒保醫(yī)院、浙二醫(yī)院等長期保持科研合作；研究中心學(xué)生多次赴法國、加拿大等交流學(xué)習(xí)，畢業(yè)生多就職于華為、字節(jié)跳動、海康威視等國內(nèi)知名企業(yè)。