CCF广东工业大学学生分会举办“融合双视角不确定性度量的特征关联挖掘及知识发现”学术讲座

广东工业大学计算机学院于2025年12月3日（周三）上午成功举办了主题为“融合双视角不确定性度量的特征关联挖掘及知识发现”的学术讲座。本次讲座的报告人是万继红特聘副教授。讲座持续了约一个小时。

万继红老师是工学博士、博士后，现任广东工业大学特聘副教授，是广东省青年优秀科研人才，并入选广东工业大学“青年百人计划”高层次人才。她还担任香港理工大学访问学者。

在学术职务方面，万继红老师是中国人工智能学会粒计算与知识发现专委会委员、中国人工智能学会机器学习专委会通讯委员，同时也是IEEE/CCF/CAAI会员。她的主要研究方向聚焦于不确定性人工智能、智能信息处理、数据挖掘与知识发现、粗糙集与粒计算等前沿领域。

万继红老师取得了丰硕的学术成果，在国际重要学术期刊上发表学术论文40余篇，Google引用超过1000次。她还申请或授权了多项国家发明专利和软件著作权。在科研项目方面，她主持或参与了多项国家重点研发计划项目、国家自然科学基金项目、省部级项目、创新基金项目及多项横向项目。此外，她还受邀担任多个国际国内学术会议论坛主席和程序委员会主席，并担任30余个国际重要学术期刊及会议审稿人。

万继红老师的报告主题是“融合双视角不确定性度量的特征关联挖掘及知识发现”。报告聚焦于解决实际应用场景中数据所面临的高维异构性和多类不确定性挑战。

这些典型应用场景包括临床医疗诊断、工业智能制造和金融风险检测等。在这些领域中，数据通常包含模糊性、噪声和不一致性。在这样的复杂数据环境下，如何准确稳健地基于特征关联挖掘出具有强辨识能力的特征，是提高知识发现效率的关键所在。

万继红老师在讲座中首先介绍了当前研究的背景，特别是信息理论导向的特征选择方法。

针对现有研究的局限性，万老师提出了两个主要的研究方向：

研究动机1：现有方法对于多粒度信息、层次结构关系不同，针对样本时空交互性与非静态特征之间的联系鲜有涉及。本报告旨在针对交互与互补等特征间的复杂关系进行深入挖掘，来解决这一挑战。

研究动机2：信息理论导向的特征选择方法，其选择策略通常是贪婪的，容易牺牲准确性。报告研究的特征选择方法旨在克服这一缺点，在保证特征数量极简的同时，提供较好的泛化性能。

为解决上述挑战，万继红老师的研究提出了一个核心的理论基础：融合双视角不确定性度量。

报告从代数观和信息观这两个视角入手，结合了近似算子和知识粒。

在代数观方面，定义了近似不确定性度量。

在信息观方面，定义了信息不确定性度量。

在这些度量的基础上，报告首次在模糊粗糙集理论中引入了多粒度分析。这一结合的目的是为了全面挖掘特征间的多重关联性。这些多重关联性包括了特征相关性、冗余性、交互性和互补性。

通过制定这一策略，旨在从复杂的高维数据中识别出最有效、最具辨识力的特征子集。

屏幕上展示的图表（多重关联（ICFS-FmNRS）方法）清晰地呈现了整个特征选择的流程，从数据输入到经过三个阶段（Stage 1-3）的处理，最终得到特征序列和分类结果。这表明研究综合考虑了多种特性，如相关性、冗余性、交互性和互补性，设计了一种全面的特征选择算法。

除了利用双视角不确定性度量外，万继红老师的报告还强调了利用图结构来捕获特征间复杂关联关系的重要性。

传统的特征选择方法可能只关注特征与目标变量的关系，而忽略了特征与特征之间的复杂网络关系。图结构能够充分蕴含这种信息。

通过这种方式，特征不仅是独立地被评估，而是作为特征组进行处理，使得选择结果更加稳健和具有整体性。

报告的最后，万继红老师提出了一个更为宏观和动态的解决方案：融合双视角不确定性度量探究特征多重关联间的协同作用，构建考虑多关联协同的动态特征选择框架。

这个框架将前面提到的双视角不确定性度量和多重关联挖掘、图结构方法进行整合，形成一个能够处理高维异构不确定数据的统一模型。通过探究各种特征关联（相关、冗余、交互、互补）之间的协同作用，该框架能够实现更加灵活和高效的特征选择。

万继红老师总结道，她的研究工作旨在为医疗、工业、金融等领域的高维异构不确定数据处理和知识发现提供重要的理论支持和技术支撑。

本次讲座内容紧扣人工智能和数据挖掘领域的前沿热点，万继红老师的分享深入浅出，专业严谨，为在场的老师和同学们提供了一系列新颖而实用的研究思路。

现场师生积极与万继红老师进行了交流探讨，极大地促进和提升了同学们的科研热情。这次学术交流不仅为老师和同学们带来了最新的学术动态，也提供了未来科研创新的新颖视角。

CCF广东工业大学学生分会一直致力于营造浓厚的学术氛围，未来我们将继续举办更多的精彩讲座，促进学术交流和提升学术氛围，为广大师生们提供更多学术资源和良好的交流平台。