（Shichen Zhang, Tianlei Wang, Jiuwen Cao∗, Jun Liu. "Multichannel Matrix Randomized Autoencoder." Neural Processing Letters，2022，published online）
目前主流的自动编码器一般都是针对向量化数据而设计的。在处理图像、视频等高维数据时，高维数据将被转换为一维向量，这不可避免地会破坏原有的结构信息。由此，针对现有的随机自编码器存在的问题，我院人机混合智能与智慧健康研究中心在随机神经网络方向的研究论文Multichannel Matrix Randomized Autoencoder被期刊Neural Processing Letters录用。
文章研究了单分类目标下的适用于多通道数据的多通道矩阵随机自编码器，分两步提出了单边多通道矩阵随机自编码器（OMMRAE）和双边多通道矩阵随机自编码器（DMMRAE）。现有的随机自编码器模型并不完全适用于二维数据，不仅不能有效挖掘并利用二维数据中的空间结构信息，也忽视了多通道样本通道间交互信息的利用。本文针对性的提出了多通道矩阵随机自编码器（MMRAE），通过分别重建每条通道来训练输出权重，在保留每个通道的结构信息的同时又维护了通道间的相互关系。主要的创新点包括：1）提出一种基于多通道交互机制的单边多通道矩阵随即自编码器，探索了各通道的结构信息以及通道间的相互作用；2）改进OMMRAE单边投影的不足，进一步提出了一种左右两侧并行使用两个OMMRAE的双边多通道矩阵随机自编码器模型；3）针对OCC问题，堆叠DMMRAE构建HMRNN-OC模型在基准数据集上验证算法的有效性。
论文第一作者为2020级硕士研究生张诗晨，通讯作者为指导教师曹九稳教授，研究获得了国家自然科学基金重点、科技部重点研发和浙江省重点研发等项目的资助。
算法核心框架图：
