【课题推荐发表期刊】

 

 

【课题背景】

多视图聚类算法是数据挖掘和机器学习领域中的一个重要研究方向。随着数据量的激增和数据类型的多样化，单一视角的聚类方法往往难以充分挖掘数据中的潜在信息。多视图聚类通过利用来自不同视角或特征集的数据，能够更全面地捕捉数据的结构和模式。这种方法在图像处理、社交网络分析、生物信息学等领域具有广泛的应用前景。

本课题将基于多视图聚类算法开展相关问题的改进和应用研究。

  

【课题方向参考】

• 多视图数据融合方法的改进：如何设计一种新的数据融合方法，以更有效地整合来自不同视图的数据特征，提升聚类效果？创新性：可以探索基于深度学习的特征融合技术，挖掘复杂视图间关系。

• 不平衡多视图聚类问题：在多视图聚类中，如何处理不同视图之间特征数量和质量的不平衡问题，以提高聚类的准确性？创新性：可以研究加权聚类方法，或者引入生成对抗网络（GAN）来生成缺失视图的数据，从而实现更平衡的聚类。

• 多视图聚类在特定领域的应用：如何将多视图聚类算法应用于特定领域（主要在生物信息学），解决实际问题。创新性：可以针对特定领域的数据特点，设计定制化的多视图聚类算法，并评估其在该领域的效果与优势。

 

【适合人群】

计算机科学专业相关研究方向的硕博研究生，要求理解基本的机器学习概念，如监督学习与无监督学习，掌握常见的聚类算法（如K-means、层次聚类等），掌握pytorch 或者 matlab 编程工具。

 

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

 

【导师介绍】

Chirs，国内高校助理教授，毕业于QS世界大学排名前60高校博士

• 长期担任多个顶级期刊/会议的审稿人，包括IEEE TNNLS，IEEE TCYB，IEEE TIP，IEEE TMM，IEEE TCSVT，Knowledge-based systems，Information Science; Pattern Recognition 等等

• 研究方向：机器学习。

• 第一作者或者通讯作者在研究领域顶尖期刊/会议上发表超过20篇

• 具备丰富的英文写作经验和学术指导经验。

 

【课题安排】

研究周期预估六个月左右，具体视学员情况调整

 

【推荐阅读】

• 2023 Deep Multiview Clustering by Contrasting Cluster Assignments

• 2023 Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment

• 2023 GCFAgg: Global and Cross-view Feature Aggregation for Multi-view Clustering