为激发我院师生科研创新活力，表彰我院取得的重要科研成果，研究院于2024年1月28日举行2023年度“重要科研进展”评选工作，我院全体教师参与此次评选工作。

经推荐和遴选，最终，3项成果获评2023年度“重要科研进展”。获奖成果如下：

梁新彦	DC-NAS: Divide-and-Conquer Neural Architecture Search for Multi-Modal Classification
	AAAI CCF A类会议
王婕婷	RSS-Bagging: Improving Generalization Through the Fisher Information of Training Data
	TNNLS  SCI 一区
	缓解随机一致性的基尼指数与决策树方法
	《中国科学：信息科学》（CCF A）
彭甫镕	Cross-Domain Contrastive Learning for Time Series Clustering
	AAAI CCF A类会议

附获评成果简介：

1. DC-NAS: Divide-and-Conquer Neural Architecture Search for Multi-Modal Classification

基于神经架构的多模态分类方法（NAS-MMC）可以自动地为不同的多模态数据集获得最优的分类器。由于训练和评价大量的模型，大多数现有的NAS-MMC是极其耗时的。该论文提出高效的基于演化的NAS-MMC，称为分治神经架构搜索（DC-NAS）。实验结果表明DC-NAS在多标记电影类型分类、动作识别和动态手势识别三个流行的数据集上，实现了最好的分类性能、训练效率和参数量。

2. RSS-Bagging: Improving Generalization Through the Fisher Information of Training Data ；缓解随机一致性的基尼指数与决策树方法

通过对人工智能普遍存在的随机一致性对决策树的影响机制与解决方法的研究，发现了随机一致性视角下更有效的特征重要度评价准则，构建了性能更优的集成学习策略，揭示了从Fisher信息视角可理解泛化误差的新机理，成果为机器学习理论方法创新、可信人工智能技术突破提供了新原理与新方法。

3. Cross-Domain Contrastive Learning for Time Series Clustering

在时间序列聚类研究领域，基于深度学习的模型主要关注表示学习导致聚类损失无法指导特征提取，同时忽略了时间序列在频域的特性。为此，该论文提出了一种新颖的端到端跨域时间序列对比学习模型（CDCC），模型在时域和频域中，使用簇级和实例级对比约束将聚类和特征提取过程融合。在多个时间序列数据集进行了广泛的实验和可视化分析，证明了所提出模型的优越性能。