山西大学大数据科学与产业研究院两篇论文《k-HyperEdge Medoids for Clustering Ensemble》、《Sharper Error Bounds in Late Fusion Multi-view Clustering Using Eigenvalue Proportion》被人工智能领域国际顶级会议AAAI 2025接收。

论文名称：《k-HyperEdge Medoids for Clustering Ensemble》

论文作者：李飞江，王婕婷，张镏雅，钱宇华（通讯作者），靳帅，闫涛，杜亮

论文介绍：聚类集成能有效提升单一聚类的性能，目前研究者已提出了大量聚类集成方法。这些方法可大致分为类簇视角下的方法和和样本视角下的方法。类簇视角下的方法总体上效率较高，但会受到不可靠基础聚类结果的影响。样本视角下的方法性能优异，但构建样本共现关系耗时较长。本工作将聚类集成问题为视为k超边代表发现问题，并提出了一种基于 k超边代表的聚类集成方法，该方法考虑了上述两类聚类集合方法的特点。在该方法中，先在类簇视角下选取一组代表性超边，然后从样本视角调整超边，从而构建k超边代表集合，最终集成结果即为k超边代表。理论分析表明，所提调整方法近似达到最优，所提分配方法可以逐步降低损失函数。人造数据实验显示了所提方法的工作机制。在20组真实数据上的分析实验验证了所提聚类集成方法的收敛性、有效性和高效性。

论文名称：《Sharper Error Bounds in Late Fusion Multi-view Clustering Using Eigenvalue Proportion》

论文作者：杜亮，蒋恒辉，李晓东，郭乙青，陈艳，李飞江，周芃，钱宇华

论文介绍：多视图聚类的目标是整合多视图的互补信息以提升聚类效果。然而，现有的后期融合多视图聚类方法在处理噪声和冗余分区时表现不足，且难以捕捉视图间的高阶相关性。为了解决这些问题，本文从理论上分析了多核k-means的泛化误差界，利用局部Rademacher复杂度和主特征值比例，推导出收敛率为O(1/n)的误差界，优于现有的 O(\sqrt{k/n}) 的收敛率。基于这一理论分析，提出了一种在多线性k-means框架中引入低通图滤波的策略，以减弱噪声和冗余同时优化主特征值比例，从而提升聚类准确率。实验结果表明该方法在多个基准数据集上的性能优于同类方法。

AAAI（AAAI Conference on Artificial Intelligence）是国际顶级人工智能学术会议之一，是人工智能领域的主要国际学术组织人工智能促进会（Association for the Advancement of Artificial Intelligence, AAAI）的年会。