喜报：EAGLE-LAB多篇论文被顶级国际期刊和会议录用
近期，EAGLE-LAB王灿老师、朱建科老师以及博士生徐斌的学术论文分别被国际期刊Pattern Recognition和国际会议The Association for the Advancement of Artificial Intelligence（AAAI）、ACM SIGIR Special Interest Group on Information Retrieval录用。
实验室王灿老师的论文《Image representation using Laplacian regularized nonnegative tensor factorization》被计算机模式识别领域的重要期刊Pattern Recognition录用。用张量（Tensor）表示图像空间可以避免图像数据矢量化过程中产生的结构信息损失。非负张量分解（NTF）将n-阶张量表示为k个1阶非负张量乘积，实现张量空间的降维表示。传统NTF的不足在于它只考虑了张量空间的欧式结构。研究表明，图像数据是分布在一个嵌入于高维外部空间中的子流形中，而图像张量空间的NTF分解没有考虑这种流行结构。论文提出了一个拉普拉斯规范化的图像张量空间非负分解方法，显式的考虑了图像空间分布的流形特征，使得原空间中距离较近的点能在降维后保持较近。在多个数据集上的实验结果表明，该方法能达成更好的聚类效果。
实验室朱建科老师与微软研究院马好合作的论文《Social Recommendation Using Low-Rank Semidefinite Program》被国际会议AAAI 2011录用为全文。AAAI是人工智能领域的重要国际会议。社会推荐系统中最重要的问题是如何利用用户标注的数据提高预测准确性。我们提出了一个利用Graph Laplacian正则化约束用户之间的潜在的社会关系，从而可以促进社会推荐系统质量。不同于以往基于梯度下降的优化方法，论文将提出的问题阐述为一个低秩半正定规划优化问题，并通过快速有效的拟牛顿法来解决。更进一步，通过在大规模数据库上的评估验证了提出方法在社会推荐问题上的快速有效性。
实验室博士生徐斌的论文《Efficient Manifold Ranking for Image Retrieval》被信息检索领域公认的顶级国际会议ACM SIGIR Special Interest Group on Information Retrieval (SIGIR) 2011录用为全文。流行排序（Manifold Ranking）是一种经典的排序算法，并被广泛应用在信息检索领域的各种应用中。在基于内容的图片检索（Content-based image retrieval）中，该算法得到了很好的检索结果。但是原始的流行排序算法在图构建、排序阶段都具有较高的计算与存储复杂度，因此不适用于大规模数据集。论文提出了快速流行排序算法（Efficient Manifold Ranking），采用anchor graph来构建图结构；同时设计了一种邻接矩阵W的低秩形式（Low-rank form），并利用其性质加速了计算过程，有效降低的了流行排序的计算与存储复杂度。论文的算法在基于内容的图片检索实验中得到了良好的结果。
高质量的论文多次被PR、AAAI和SIGIR等国际顶级期刊和会议录用说明了实验室在计算机模式识别、人工智能以及信息检索等领域奠定了一定的研究基础，充分显示了在高水平国际期刊和会议上连续发表论文的能力。