近期，济南大学信息科学与工程学院“智能计算理论及应用”方向周劲、韩士元课题组在国际上首次将迁移学习的方法应用于分布式及多视图数据聚类中，并取得系列重要研究成果。相关成果分别以“Transfer Collaborative Fuzzy Clustering in Distributed Peer-to-Peer Networks”、“Transfer-Learning-Based Gaussian Mixture Model for Distributed Clustering”、和“Transfer Learning Based Collaborative Multi-View Clustering”为题，发表或在线发表于国际顶级期刊IEEE Transactions on Fuzzy Systems（中科院一区, 影响因子:12.253）和IEEE Transactions on Cybernetics（中科院一区, 影响因子:19.118），为解决分布式及多视图场景下的数据聚类问题提供一种新的理论和方法。
图一 分布式迁移聚类方法 图二 多视图迁移聚类方法
如图一和图二所示，成果聚焦分布式及多视图数据聚类场景下各网络节点及视图的信息融合问题，借鉴迁移学习理论思想，设计新型分布式及多视图迁移聚类算法。充分利用各节点、各视图的互补信息，构建节点及视图间的知识迁移学习机制，有效促进各节点及视图间的信息融合；定义合理的节点及视图间的差异性度量，准确地指导不同节点及视图间的知识迁移学习程度；根据聚类迭代过程中各节点及视图的知识变化，设计节点及视图间知识迁移的动态调整策略，提升聚类性能并确保稳定的聚类融合结果。相关研究引起西安电子科技大学、陕西师范大学、北京工业大学、上海科技大学、悉尼科技大学等高校的关注。
