学术创新年-金军委博士专题报告
报告人：金军委
报告时间：2026年1月6日晚上7:00-8:30
报告地点：莲花街校区6号楼6369会议室
报告人简介：金军委，亚洲av
副教授、硕导，是校青年骨干教师、拓新青年优秀人才。围绕人工智能、群体智能建模理论及优化方法开展研究，在IEEE汇刊及中科院一区等期刊发表SCI收录论文50余篇，Google学术引用1000余次，H指数16。主持国家自然科学基金项目2项（1面1青）、河南省科技厅科技攻关等省部级项目10项。现任1个国际SCI期刊编委、《河南科学》杂志编委、中国人工智能学会青工委委员等。获得中国指挥与控制学会科技进步二等奖、河南省教育厅自然科学学术论文一等奖等荣誉奖项。指导学生获得国家级大学生创新创业训练计划项目、研究生国家奖学金、校优秀毕业设计等。
报告内容简介：宽度学习系统（BLS）是一种以高效学习能力著称的轻量级神经网络；然而，该系统受到其依赖二值标签策略的限制。现有的标签增强模型主要侧重于扩大不同类别标签之间的距离，但这往往会无意中增加同类样本内部的距离。对于分类任务而言，保持类内相似性（Intraclass Similarity）对于确保模型的有效性至关重要。为了解决这一问题，我们提出了一种组级标签增强宽度学习模型（Groupwise Label Enhancement BLS model），该模型能同时兼顾标签的类内相似性和类间差异性（Interclass Disparity）。具体而言：1）新型回归目标：我们开发了一种新型回归目标函数，泛化了 BLS 中现有的标签增强目标，在克服二进制标签约束的同时，扩大了不同类别标签之间的距离；2）组级约束设计：我们设计了一种组级约束机制，用以联合增强标签的类内相似性与类间差异性；3）高效优化算法：此外，我们提出了一种基于交替方向乘子法（ADMM）的新型优化算法来求解该模型，确保了计算效率和理论上的收敛性。在多个公共数据集上的实验结果表明，与现有的其他前沿方法相比，本文提出的模型具有卓越的有效性和效率。
