【课题推荐发表期刊】

【课题背景】

多视图学习作为无监督学习的重要分支，一直是人工智能领域的研究热点。如何利用来自不同信息源的多视图或多模态数据来训练深度学习模型，以提高模型的泛化能力和学习效率，最大化不同视图之间的相关性，是多视图学习长期的研究方向。

本课题将基于已有多视图或多模态的学习方法，研究多种信息源下新的深度模型训练框架。

【课题方向参考】

• 基于课程学习的多视图知识融合方法在小样本学习中的效果如何

• 如何评估基于课程学习的多视图知识融合算法在实际应用中的表现

• 图数据增强技术如何提升多视图学习模型在节点分类任务中的性能

【适合人群】

计算机科学、计算生物、计算化学等专业背景的研究生，熟练使用pytorch，具备英文基础读写能力。

【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】

陈老师，QS排名前300高校在读博士

• 长期担任多个CCF-A类期刊和会议的编委或审稿人，包括AAAI, NeurIPS, ICLR, IJCAI, AISTATS, eTNNLS, TCSVT, TMLR, DMLR, Information Fusion等；

• 以第一作者发表多篇计算机领域一区/CCF A论文，例如AAAI, NeurIPS, IJCAI等；

• 曾指导多名学生发表一作论文，具备丰富的英文写作经验和论文指导经验；

• 掌握Matlab、BAN Logic、and Scyther Tool等软件工具。

【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】

• 2024 Make Heterophilic Graphs Better Fit GNN: A Graph Rewiring Approach

• 2020 Contrastive Multi-View Representation Learning on Graphs

• 2024 UMCGL: Universal Multi-View Consensus Graph Learning With Consistency and Diversity | IEEE Journals & Magazine | IEEE Xplore