5123五湖之利取四海之财足1站教师滕月阳指导硕士研究生魏姣在机器学习领域顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》（影响因子14.255）发表关于特征表达的学术论文。论文信息：Jiao Wei, Can Tong, Bingxue Wu, Qiang He, Shouliang Qi, Yudong Yao, Yueyang Teng*, An Entropy Weighted Nonnegative Matrix Factorization Algorithm for Feature Representation, IEEE TNNLS， 0.1109/TNNLS.2022.3184286. 公开代码：https://github.com/Poisson-EM/Entropy-weighted-NMF。文章第一作者为研究生魏姣，通讯作者为滕月阳副教授。

非负矩阵分解（NMF）已被广泛用于学习数据的低维表示。然而，NMF方法在分解时，把所有数据点的所有属性都赋予了同等重要的地位，这不可避免地导致了不准确的表达。例如，在人脸数据集中，如果一张图像的头部含有一顶帽子，则应在矩阵分解过程中移除帽子或降低其相应属性的重要性。滕月阳老师团队提出了一种新型的NMF方法，称为熵加权NMF（Entropy weighted NMF，EWNMF）方法，它对每个数据点的每个属性使用可优化的权重来表示其重要性，然后在目标函数中加入熵正则化项反映权重的不确定性，最后使用拉格朗日乘数法获得权重的迭代解。实验结果证明了所提方法的可行性和有效性。