医学与生物信息工程学院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。