南京信息工程大学袁晓彤教授访谈
2018年5月4日，专委秘书处采访了南京信息工程大学信息与控制学院袁晓彤教授。下面是采访实录。
袁老师，您在机器学习和计算机视觉领域取得了突出的成就，作为骨干成员入选教育部首批认定的“全国高校黄大式师团队”，获得了国家自然科学基金优秀青年基金资助等，能否跟大家分享一下您的研究经历，以及您是如何获得这些成就的呢？
我的研究方向主要包括稀疏学习理论、算法以及图像分析应用等。近年来有部分工作获得了国内外同行们一定程度的认可，但是成果还谈不上突出，需要进一步努力。我的学习和研究经历相对比较丰富。本科就读于南京邮电大学计算机学院。硕士在上海交大电子学院读信息安全专业，期间参与了导师的863项目，从事其中一块图像分析子任务的研究，逐渐对模式识别和机器学习产生了浓厚的兴趣，硕士毕业就毫不犹豫选择到有模式识别的国家队之称的中科院自动化所NLPR实验室继续攻读博士。毕业后在新加坡和美国从事了四年多的博士后研究工作，回国后加入南京信息工程大学工作至今。这期间或多或少积累了一些关于科研方面的心得，其中最重要的一点是觉得在研究的过程中要注重兴趣的培养。兴趣是最好的老师。只有当你对一件事情感兴趣，才会更加愿意花时间花精力去钻研。大家都知道科研是一个漫长的过程，不仅辛苦，也会面临各种各样的问题和困难，比如理论迟迟无法突破、实验跑不出理想的结果、论文发表过程艰辛曲折等等。要想科研道路上坚持走下去并有所成就，既要有迎难而上的精神，也需要注重对兴趣的培养，这样才会有更大的动力去克服遇到的困难。从研究生到博士后的研究，激励我在科研道路前进的，很多时候是心中对于科研的兴趣和一份热爱。2009-2011年期间在新加坡国立大学做博士后研究的时候，常常早上九点之前进入实验室做研究，到了晚上十点钟之后才会离开。除了体育运动，其余时间基本上也都在实验室。其实很多时候并非老板规定如此，而是因为大家对科研都非常投入，有自己感兴趣的课题探索，目标也很明确，要在所研究领域的顶级期刊和会议上发表高质量的论文成果。在这个过程中，兴趣是最好的老师，也是一切努力的最大动力。
同时，培养兴趣的过程也是一个逐步了解和发掘自我潜力的过程。做研究的一个重要方面就是了解自己的特点，找准自己擅长的领域。如果数学基础比较好，可以多关注一些理论和算法方面的课题，如果动手编程能力比较强，可以侧重面向实际应用的模型提升和系统开发研究。如果能够找准方向，做自己擅长和感兴趣的事，那么科研和学习就是一种乐趣，而不是一种负担了。
还有就是心态。科研是一项漫长的工作，有时候出成果并没那么快。尤其是偏基础理论方面的研究，不会很快地看出效果。但另一方面计算机行业发展很快，每天都有大量的新成果出来。既要扎实地做，不能急躁，又要追求时效性，时刻跟上趋势。当面对这样的矛盾时保持平和的心态很重要，坚信只要扎扎实实把工作做好，成果的取得往往是水到渠成的。
您所获得的成果中，哪一项是最令您骄傲的？能和大家分享下您的感受么？
其实我个人比较满意的工作有两个，都是在博士后研究期间完成的。一个是在美国研究期间和张潼老师合作的求解稀疏特征值问题的截断幂方法，发表在JMLR 2013，一个是在新加坡研究期间和颜水成老师、刘小白博士合作的多任务联合稀疏表示与识别方法，发表在CVPR 2010和TIP 2013。这两个工作分别侧重稀疏学习的算法理论和稀疏表示在图像识别问题中的应用，发表后也获得了国内外同行较多的关注。
具体来说，截断幂方法主要用于求解最大稀疏特征值问题，也就是在特征向量稀疏的约束条件下优化给定矩阵的最大特征值。这是一个非凸而且NP难的优化问题，因此需要设计合适的逼近算法来近似求解。针对这个问题，我们提出了一个很直观的解决思路，就是在传统特征值求解幂方法的基础上加入截断处理，使其在迭代过程中保持稀疏性。我们从理论上分析了方法的收敛速度和精度保证。实际性能方面，这个方法的实现非常简单，在稀疏主成分分析和大规模K-子图发现问题中表现出了很好的性能。特别是在大规模K-子图发现问题中，我们的方法无论是速度还是准确度方面都比当时最好的贪婪选择算法有非常显著的提升。这个方法发表后得到统计机器学习和理论计算机领域不少知名学者的正面引用。这项研究给我最大的启示就是机器学习中一些看似简单直观的解决方案，其背后往往蕴藏着比较深刻的理论基础，值得探索挖掘。同时，理论上能证明具有优越性质的方法，在合适的应用场景中其实际性能也往往能够体现出应有的价值。
针对基于稀疏表示的视觉分析问题，2010年左右我们提出了一种基于多任务联合稀疏表示的多视觉特征融合方法，比较早地将多任务联合稀疏学习模型引入计算机视觉，也得到国内外同行较广泛的关注。这个工作当时投CVPR分数并不算特别高，但是领域主席还是给了个Oral。我们觉得一个重要原因可能是