近年来，山西大学智能信息处理研究所的研究团队在人工智能领域自主学习的理论和方法研究方面取得了重要进展。相关结果发表在人工智能领域的国际顶级杂志《IEEE模式分析和机器智能学报》（IEEE tpami，影响因子：24.314）上。本文的通讯作者是梁教授，第一作者是白教授，合作者是2020年博士生赵云晓。

近年来，自监督学习已成为人工智能和机器学习的研究热点之一。由于其模型可以在不标记数据的情况下自动从数据中学习标签，许多人工智能学者和机构将其视为实现人工智能的关键。然而，现有自监督学习的有效性取决于大规模深度网络的训练，这需要高计算成本和大量数据参与训练，这给自监督学习的实际应用带来了严重挑战。研究非深度网络的自监督学习模型已成为应对自学习高计算成本挑战的重要研究课题之一。

该大学智能信息处理研究所的研究团队根据谱聚类模型（经典的非深度无监督学习模型）建模，并提出了一种自约束谱聚类模型。该模型的目标是同时从未标记数据中学习两种类型的监督信息（即“标签约束”和“成对约束”），以共同指导聚类结果的搜索过程。新模型将自监督学习和聚类（两个具有代表性的无监督学习任务）有机地结合在一起，从减少自标记和潜在类语义之间的差异的角度有效地提高了未标记数据的分类精度。由于其优化解不依赖深度网络，学习成本大大降低。同时，本研究从理论上解释了模型的自学习有效性和可扩展性，为大数据分析及其应用提供了理论支持。

通过大量的实验比较和分析，验证了新模型的有效性。实验结果表明，新模型在某些数据上达到了监督学习模型的效果。

本研究工作得到了教育部计算智能与中国信息处理重点实验室、科技创新重大项目2030新一代人工智能、国家杰出青年科学基金、自然科学基金联合重点基金的支持，山西1331项目重点学科建设规划。（记者：山西大学张）。