文章总结： 哈工程团队在IEEETPAMI发表论文，提出低维双线性池化特征学习新方法。研究首次论证深度学习具备专门降维模块，利用双线性池化增强特征判别性，并推导出特征向量维度理论下界。其提出的双线性投影函数可避免过拟合，为深度降维提供通用工具，具重要理论价值。 综合评分： 70 文章分类： AI安全

哈尔滨工程大学 | 智能学院蔡成涛团队宋坤老师在TPAMI发表低维判别特征学习新方法

信息网络安全杂志

2026年2月10日 17:00 上海

在小说阅读器读本章

去阅读

近期，哈工程智能学院蔡成涛团队宋坤老师在 IEEE 模式识别与机器智能汇刊 IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI，IF18.6） 上发表论文 “Learning Compact Discriminant Representation via Low-Rank Bilinear Pooling”，提出了一种兼具强判别性和极低维度的新型特征表示方法。

降维是机器学习的基础任务之一。然而，在深度学习框架下，学习低维表征的任务往往退化为设计高效的骨干网络结构和繁琐的损失函数，缺乏系统的分析方法与专用架构。本文首次论证了深度学习同样具备专门的降维模块，从而拓展了降维任务在深度学习中的应用范围。

具体而言，本文首先提出了一种与多项式核函数等价的双线性池化模块。通过逆向思维发现，多项式核函数能够将原空间中的可分问题转化为核空间中的不可分问题。在深度学习框架下，这一性质可将散度较大的可分样本转变为困难样本（即损失函数值较大的样本），从而在不引入额外损失项的情况下，增强所提特征的类间判别性与类内聚集性。同时，本文通过严格的理论分析证明，所提出的双线性池化特征的判别信息能够保留在 log₂(C) 维的特征子空间中。这首次给出了深度表征学习所输出特征向量的维度理论下界。理论上，该降维模块仅需 64 维向量即可为地球上的每一粒沙子分配一个独立类别。

此外，本文探讨了矩阵线性空间中基矩阵的可分离性，提出并肯定了以下问题：矩阵线性空间中是否存在一个完备的、秩为 k 的基矩阵集合？基于该分析，本文提出一种新的双线性投影函数，用于对双线性池化特征进行降维。该线性函数能够避免高维向量降维过程中的过拟合问题，为实现 log₂(C) 维下界的低维双线性池化提供了数学工具。

由于结构简单、与骨干网络无关，且结论具有新颖性与启发性，本文所提出的低维双线性池化方法突破了传统双线性池化的应用限制，成为一种通用的深度降维模块。

IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)为人工智能顶级期刊，中科院分区一区顶级，2025年该期刊科学引文索引影响因子为18.6。

END

来源 | 哈工程

往期精彩回顾

从竞赛“练兵场”到人才“孵化器”: 湖南大学、复旦大学、四川大学、西安邮电大学引领塑造网络安全新生力

守护语音安全: 华中科技大学CPSS团队如何打造Anti-Deepfake系统斩获创意作品赛冠军？

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《哈尔滨工程大学 | 智能学院蔡成涛团队宋坤老师在TPAMI发表低维判别特征学习新方法》