寧波大學信息科學與工程學院張漢濤團隊在《模式識別與人工智能》發表論文《面向動態數據的聯合自表示子空間聚類方法》。該研究針對傳統自表示模型難以適應動態數據流的局限，提出聯合自表示子空間聚類方法(JSSC)，通過雙模塊協同工作，有效解決新舊數據特征異構、新類別樣本識別等問題，在基準數據集上展現出優異的聚類性能。

　　子空間聚類技術在高維數據處理中應用廣泛，但傳統模型多基于靜態數據集假設，面對連續到達的動態數據時，易出現聚類性能下降、新類別樣本無法有效識別等問題。隨著人工智能在圖像分析、視頻處理等領域的深入應用，動態數據聚類已成為亟待突破的技術瓶頸。

　　張漢濤團隊提出的JSSC方法創新性地設計了聯合自表示特征學習和新類別樣本處理兩大核心模塊。前者利用深度自動編碼器從舊數據中學習子空間基，構建統一特征空間，通過權重共享確保新舊數據特征的一致性;后者通過譜聚類生成偽標簽，引入成對目標損失和正則化項，在精準識別已知類別的同時，高效聚類新類別樣本。

　　該方法無需依賴標簽信息，實現完全無監督聚類。在COIL-20、MNIST、CIFAR-10等5個基準數據集上的實驗表明，JSSC在處理新類別樣本時表現突出，整體聚類準確率優于傳統子空間聚類方法。特征可視化結果顯示，該方法能有效捕捉數據內在結構，使新舊數據特征分布清晰可分;收斂性分析證實，模型在不同類型數據上均能穩定收斂。

　　消融實驗驗證了各模塊的有效性，成對目標損失可顯著提升新數據分類性能，正則化項能平衡新舊數據學習速率，避免模型過擬合。該研究為動態數據聚類提供了新范式，可廣泛應用于人臉聚類、視頻運動分割、智能數據分析等領域，為處理連續到達的高維數據流提供了高效解決方案。