CCF广东工业大学学生分会于2024年12月11日（星期三）下午成功举办了主题为“动态环境复杂分布数据聚类–前沿与展望”的学术讲座。这场讲座的报告人是广东工业大学的副教授张逸群。张逸群2013年于华南理工大学生物医学工程专业取得学士学位，2014和2019年分别于香港浸会大学计算机科学系取得硕士和博士学位，并随后开展博士后研究工作一年。目前已在人工智能和机器学习领域的顶级国际期刊和会议以及知名国际期刊和会议等发表论文十余篇。当前从事的研究方向是人工智能、机器学习、数据挖掘、数据科学的行业应用。

讲座伊始，张逸群从动态环境复杂分布数据的基本问题和研究方向入手，清晰地引导听众进入主题。他通过分析动态环境下的特性与挑战，总结了现有技术的进展，并重点介绍了团队在概念漂移适应、异步联邦聚类、统一度量方法以及度量-聚类协同学习等方面的创新性研究成果。

在讲解中，张逸群提到数据挖掘领域的经典算法，并结合动态环境下无监督学习的实际难点，深入探讨了数据分布的动态变化、高维特征和标签缺失对算法的挑战。他通过详实的案例和生动的图表，分析了数据复杂性的来源，阐述了异质性、多模态特征交互等问题对现有算法的限制。

针对数据特性的复杂性，张逸群分享了团队提出的创新方法，例如基于概率的相似性和信息熵的距离测量，其有效提升了分类数据关联关系的刻画能力。在密度聚类、类别失衡数据处理及层次聚类等技术的讨论中，他系统分析了这些方法在实际应用中的优劣势，并指出了优化方向。

动态环境下的数据流特性是本次讲座的另一重点。张逸群通过多个案例，直观展示了数据分布随时间变化的规律，并介绍了团队在概念漂移检测和适应方面的突破。特别是在异步联邦聚类方面，他详述了团队如何通过优化通信机制和异步更新策略，有效解决多源数据异步性的问题，这为数据隐私保护提供了创新性解决方案。

此外，统一度量框架和度量-聚类协同学习技术也成为讲座的亮点。张逸群结合实验结果展示了这些方法在处理异构数据和提升聚类算法性能方面的显著优势，并阐明了它们在动态环境中的广泛适用性。

在结尾展望中，张逸群强调，随着人工智能与数据科学的不断发展，动态数据处理技术将在智能制造、智慧城市、金融风控等领域发挥重要作用。他呼吁学术界关注多模态数据融合和实时学习，推动技术创新迈向更高水平。

互动环节中，张逸群耐心回答了师生们的提问，鼓励学院学生积极投身动态数据挖掘与聚类的研究。参会师生普遍表示，本次讲座内容详实、逻辑清晰，为他们在相关领域的学习和研究提供了宝贵启发。