主讲：湖南师范大学杨田博士，湖南师范大学信息科学与工程学院副教授

报告时间：2026年10月15日 星期四   19:00——20:00                    

摘要—单调分类是机器学习和数据挖掘中的一个重要任务，旨在针对广泛存在的单调数据，利用带标签的样本训练分类器，在保持数据单调性的前提下预测未标记样本的标签。单调特征选择可以在保持单调性约束的同时降低数据维度，提高单调分类器的效率和泛化性。然而，现有的特征选择算法由于未考虑单调性约束或其高计算复杂性，无法处理大规模单调数据集。为了解决这些问题，基于本团队的前期研究，我们首先定义了具有较低时间复杂度的单调相关族方法，来选择具有更多单调信息的特征，并获取携带互补信息的多重约简用便于从多视角分析数据分布。其次，我们基于双向排序互信息为每个特征子集构建两棵单调决策树，并通过对应的决策支持水平将所有树进行融合，提出BFMDT算法。与六种代表性单调分类算法相比，BFMDT的平均分类准确率分别提升了4.06%（FFREMT）、6.77%（FCMT）、5.61%（FPRS_up）、6.05%（FPRS_down）、5.86%（FPRS_global）、4.41%（Bagging）、7.65%（REMT）和21.89%（FMKNN）;在平均计算时间上，分别减少了83.41%（FFREMT）、96.96%（FCMT）、75.64%（FPRS_up）、59.43%（FPRS_down）、84.65%（FPRS_global）、81.50%（Bagging）和63.41%（REMT）。并且，BFMDT可以高效计算出大多数对比算法无法计算的六个高维数据集。

报告人简介：杨田，博士，湖南师范大学信息科学与工程学院副教授。入选湖南省科技人才托举工程，湖南省自科基金优先青年项目，长沙市杰出创新青年培养计划。担任中国人工智能学会粒计算与知识发现专委会常委和中国计算机学会理论计算机专委会委员。在《IEEE Transaction on Knowledge and Data Engineering》和《IEEE Transaction on Fuzzy Systems》等学术期刊发表论文五十余篇；主持国家自然科学基金、湖南省自然科学基金和中国博士后特别资助等项目共8项；获得湖南省自然科学一等奖，中国自动化学会自然科学二等奖，IEEE GrC 最佳论文奖。