研究所沈琳琳教授指导的博士后何丽芳和美国伊利诺伊大学芝加哥分校（UIC）Philip YU教授团队合作完成的论文 Kernelized Tensor Factorization Machines 被即将8月份在悉尼召开的机器学习领域顶级会议（CCF A）ICML 2017接收发表。该论文针对有监督张量学习问题，介绍了一类新的分类器设计方法。传统的 (支持) 张量机分类器均属于线性非凸模型，很难扩展到处理非线性可分问题，而传统的张量核函数方法都是在独立提取特征以后再构造核函数。本文通过系统分析和总结当前方法的缺陷性，提出了一种将核支持向量机与张量分解联合优化的学习方法，形成了一种新的核化张量分解机。通过选择不同的张量核函数，既能处理线性可分问题，也能处理非线性可分问题。最后，在大脑疾病诊断和步态识别问题上验证了该方法的有效性。Lifang He , Chun-Ta Lu, Hao Ding, Shen Wang, Linlin Shen*, Philip S. Yu and Ann B. Ragin, Kernelized Tensor Factorization Machines , ICML 2017, August, Australia