CCF武汉咖啡屋邀请拉筹伯大学达明达·阿拉哈孔教授分享自组织映射与GSOM前沿进展

2026年7月13日下午，由CCF武汉组织开展的“走进咖啡屋”系列学术交流活动（活动编号：CCF-Ch-26-753）在武汉举行。澳大利亚拉筹伯大学数据分析与认知研究中心创始主任、分析学与人工智能教授达明达·阿拉哈孔（Damminda Alahakoon）应邀作题为《自组织映射：从生物学启发到生长型自组织映射（GSOM）》的学术报告。报告于15:00—16:00举行，由王胜教授邀请组织。

阿拉哈孔教授长期从事人工智能、高级数据分析、认知计算及其产业应用研究，拥有逾20年的高校教学科研经历。其研究成果已应用于医疗健康、智慧能源系统、可持续发展、教育、工业优化和国家安全等领域，已发表200余篇同行评议论文。丰富的跨学科研究与产业实践，为本次报告带来了兼具理论深度和应用视野的分享。

图1 达明达·阿拉哈孔教授作主题报告

报告从自然界与生物系统中的自组织现象切入。阿拉哈孔教授以椋鸟群飞、感觉皮层的拓扑映射等为例，阐释了局部相互作用、竞争、协作与适应如何在没有中央控制器的情况下形成全局有序结构。在此基础上，他系统介绍了Kohonen自组织映射（SOM）的计算原理：作为一种在固定二维格点上执行竞争学习的无监督神经网络，SOM能够将高维数据映射为低维表示，并尽可能保持数据的拓扑结构。

针对传统SOM需要预先设定网格规模、难以适应未知数据结构的局限，阿拉哈孔教授重点讲解了由其与Halgamuge、Srinivasan于2000年提出的生长型自组织映射（GSOM）。GSOM以边界驱动的增量生长机制取代固定规模初始化，并通过与数据维数无关的“扩展因子”控制模型生长。结合基准数据和真实世界数据，报告展示了GSOM在保持拓扑结构、减少节点使用以及支持分层下钻分析等方面的特点。

报告还回顾了GSOM提出25年多来形成的算法谱系，包括分布式、流式和分层GSOM等变体，以及相关方法在生物信息学、网络安全、机器人、智慧城市、文本挖掘和金融异常检测等场景中的应用。阿拉哈孔教授进一步讨论了GSOM在当前可解释、可扩展无监督学习研究中的定位，为与会人员理解自组织学习方法的演进脉络与发展潜力提供了系统视角。

图2 阿拉哈孔教授与活动参与人员合影留念

本次活动围绕经典无监督学习方法与持续演进的前沿研究展开，进一步拓宽了与会人员对自组织学习、拓扑保持和可解释数据分析的认识。未来，CCF武汉将继续发挥学术共同体的桥梁纽带作用，依托“走进咖啡屋”等品牌活动，邀请海内外专家分享前沿成果，持续营造开放、深入、富有活力的学术交流氛围。