機器學(xué)習(xí)作為一項核心技術(shù)，已經(jīng)在很多領(lǐng)域得到廣泛應(yīng)用，如計算機視覺、機器人、社交網(wǎng)絡(luò)、數(shù)據(jù)挖掘和大數(shù)據(jù)處理等。傳統(tǒng)基于批處理模式的機器學(xué)習(xí)方法，不但初始化過程需要大量訓(xùn)練樣本，而且模型不能實時更新。這兩個問題制約著在線學(xué)習(xí)系統(tǒng)的發(fā)展和應(yīng)用。
中國科學(xué)院沈陽自動化研究所副研究員叢楊在多年研究基礎(chǔ)上，依據(jù)實際數(shù)據(jù)的內(nèi)在低秩特性，提出了凸優(yōu)化在線度量學(xué)習(xí)模型，降低了模型復(fù)雜度，克服了目前在線學(xué)習(xí)模型與算法普遍存在的過擬合問題。同時以模型統(tǒng)計期望為目標(biāo)，在理論上證明了解的收斂性。相關(guān)論文分別發(fā)表在國際知名期刊IEEE Transactions on Circuits and Systems for Video Technology (Yang Cong, et al, Speeded up Low Rank Online Metric Learning for Object Tracking, IEEE Transactions on Circuits and Systems for Video Technology, 2014 DOI: 10.1109/TCSVT.2014.2355692), Transactions on Image Processing (Yang Cong, Ji Liu, Junsong Yuan, Jiebo Luo, Self-supervised Online Metric Learning with Low Rank Constraint for Scene Categorization, IEEE Transactions on Image Processing, v22, n 8, pp 3179 - 3191, 2013)和Springer (Yang Cong, Ji Liu, Junsong Yuan, Jiebo Luo, Low-Rank Online Metric Learning, Page 203-233, in Yun Fu, Low-Rank and Sparse Modeling for Visual Analysis, Springer, 2014 ISBN: 978-3-319-11999-1 (Print) 978-3-319-12000-3 (Online)專著。
該項研究得到了中國科學(xué)院青年創(chuàng)新促進(jìn)會基金、機器人學(xué)國家重點實驗室、國家自然科學(xué)基金和國家863科技計劃連續(xù)支持，其成果已在一些工程應(yīng)用項目中得到成功應(yīng)用。
自2009年以來， 叢楊在在線學(xué)習(xí)理論和全局異常事件識別研究工作中取得了具有原創(chuàng)性的理論和應(yīng)用研究成果，在計算機視覺和模式識別領(lǐng)域國際知名期刊和頂級會議上發(fā)表了一系列論文，其中包括 IEEE CVPR（2009,2011），IEEE Trans on Multimedia（2012），IEEE Trans. on Image Processing (2013)， Pattern Recognition (2013,2014)， IEEE Trans. on Circuits and Systems for Video Technology (2014)。目前的研究成果已具有理論上的系統(tǒng)性。（機器人學(xué)研究室）
