近期，我院硕士研究生周楠在导师廖淑娇教授（通讯作者）的指导下，以第一作者身份在国际知名学术期刊《IEEE Transactions on Fuzzy Systems》（SCI一区，Top期刊）上发表题为“Semi-supervised Feature Selection With Multi-scale Fuzzy Information Fusion: From Both Global and Local Perspectives”的科研论文。这是我院研究生在人工智能与数据科学领域的一次重要突破。

随着信息科学与物联网技术的迅速发展，数据呈现出前所未有的丰富化与爆炸式增长。在现实中，高昂的标签标注成本使得有限标记数据普遍存在，这为数据挖掘与知识获取带来了新的挑战。另一方面，近年来多尺度数据作为一种新兴的多粒度数据，因其丰富的知识内涵而受到广泛关注。然而，现有研究主要面向标签完整的多尺度数据，较少有针对有限标签的多尺度数据的半监督特征选择的研究。同时，现有研究中往往强调选择最优尺度并进一步进行特征选择，但这种策略可能会导致丢失其他尺度中潜在有价值的信息。为了克服上述局限性，本研究采用多尺度模糊信息融合机制，从全局和局部两个视角分别提出两种面向有限标记的多尺度数据的半监督特征选择方法。该方法首先通过融合不同尺度下的模糊信息，开发了一种新的标签学习方法来将缺失标签的决策转换为标签分布的模糊决策，从而补全决策空间。随后，分别从全局和局部视角构造标签分布的多尺度模糊全局和局部粗糙集模型。并在这两个模型的基础上，分别设计基于全局和局部多尺度模糊信息融合的半监督特征选择算法。实验结果表明，与其他先进的特征选择算法相比，本研究提出的两种算法能够有效地处理有限标记的多尺度数据，并在分类性能、计算效率和鲁棒性方面表现出色。本研究填补了多尺度数据在半监督学习领域中的不足，并为实践应用提供了更为灵活和有效的解决方案。

通讯作者简介

廖淑娇，博士，教授，硕士生导师，中国人工智能学会粒计算与知识发现专委会委员，福建省系统工程学会理事，漳州市统计学会理事。长期从事粒计算、数据挖掘、人工智能等相关研究，已在《IEEE Transactions on Fuzzy Systems》、《Knowledge-Based Systems》、《Engineering Applications of Artificial Intelligence》、《International Journal of Intelligent Systems》、《Neural Networks》、《International Journal of Machine Learning and Cybernetics》、《Visual Computer》、《模式识别与人工智能》、《南京大学学报（自然科学版）》等国内外学术期刊上发表了三十多篇论文，其中多篇被SCI、EI检索。目前主持了一项福建省自然科学基金面上项目，主持完成了国家自然科学基金青年项目、一项福建省自然科学基金面上项目和两项福建省教育厅科研项目，先后参与了三项国家自然科学基金项目和多项省级科研项目。

文章链接

https://doi.org/10.1109/TFUZZ.2025.3540884