基于信息几何方法的维数约减和信息抽象模型研究

通用人工智能系统所面临的是海量的高维多模数据，信息抽象是有效存储、传输、处理和应用这类信息的前提，也是高层次概念-知识突现、意义形成的基础。对信息抽象模型-算法的深入研究和理论突破，可改变目前人工智能研究领域总体上发展缓慢和日趋支离的现状，有机整合各应用分支的研究成果，实质性推进通用智能系统的建构。基于流形学习的非线性维数约减（NLDR）中肯把握了生物高水平感知和思维的抽象机制的形式特征，可有效建模信息抽象过程。然而，现有NLDR算法在基本理论、鲁棒性和复杂性等方面存在诸多问题。本项目以信息几何为主要理论工具，发展NLDR嵌入约束的优化集成方法和定量的嵌入结果评价方法，在此基础上研究信息抽象元理论；发展GBP和SP算法，利用优化集成的嵌入约束，构造针对一般NLDR问题的随机算法，研究其稳定性、收敛性和复杂性；发展全局的NLDR算法参数估计理论和适用于一般NLDR算法的局域适应参数估计方法。