（文|信息 编辑|信息 审核|王玉龙）近日，人工智能领域顶级国际会议AAAI-2024 (The 38th AAAI Conference on Artificial Intelligence，CCF-A类) 录用了bat365官网登录入口王玉龙教授课题组在高维数据学习领域的最新研究成果。该研究论文以“Superposed Atomic Representation for Robust High-Dimensional Data Recovery of Multiple Low-Dimensional Structures”为题，系统研究了基于叠加原子表示的鲁棒高维数据恢复理论、算法与应用。


   高维数据广泛存在于科学研究和社会生活的各个领域中，如高维生物基因表达数据、高维卫星遥感数据，和互联网中的高分辨率图像和视频数据。然而高维数据不仅会引起“维数灾难”，降低算法性能，还会带来巨大的存储和计算负担。因此，研究如何充分利用高维数据的内在结构信息，建立合理高效的高维数据学习理论与方法成为广受关注的研究热点，具有重要的理论研究和应用价值。 常规高维数据学习方法通常需要针对不同类型（向量型，矩阵型和张量型）数据分别设计不同的算法，而且大多数算法的理论基础研究相对欠缺。为克服上述问题，该研究利用高维数据的内在多本质低维结构，设计了一种称为叠加原子表示的鲁棒高维数据恢复一般框架，可同时适用于不同类型高维数据，并给出了相应的理论解释和理论证明，阐明了其恢复原理和内在机制。 在多种不同类型高维数据恢复中的应用实验结果验证了理论的可靠性和算法的优越性。


   bat365官网登录入口王玉龙教授为论文独立作者。值得注意的是，本研究是继2021年、2023年在《IEEE Transactions on Image Processing》和2022年在《IEEE Transactions on Cybernetics》发表原子表示高维数据学习相关成果后，该团队在人工智能高维数据研究领域又一阶段性进展，该研究获得国家自然科学基金面上项目和武汉青年英才项目等资助。