近日，学院计算智能与智能控制团队何兴教授和赵友博士指导的2025级博士研究生张萌，联合深圳理工大学黄廷文教授和北京大学喻俊志教授，在神经动力学优化研究领域取得进展，其研究成果以“Neurodynamic Approaches with Fixed-Step Optimality for Rank Minimization: A Data-Driven Framework”为题，发表于顶级学术期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IEEE TPAMI）。IEEE TPAMI 是人工智能与模式识别领域国际顶级权威期刊，长期引领机器学习、模式识别、计算机视觉等前沿研究，具有全球公认的学术影响力。

该文章聚焦矩阵秩最小化问题，提出数据驱动的神经动力学优化框架（如图 1 所示），有效解决了传统神经动力学方法对离散化参数敏感、迭代次数过多、手动调参难度大等痛点。研究首先基于前向欧拉离散化，推导得到固定步长与变步长离散矩阵神经动力学算法（FDMNA、VDMNA），并给出严格的稳定性与收敛性理论保障；为支持端到端训练，本文设计可微分的逻辑阈值函数 LT-Func，替代不可导的最优秩 r 投影算子，进而将离散算法展开为可训练的离散矩阵神经动力学网络（DMNA-Nets，如图 2 所示），构建出 FDMNA-Net 与 VDMNA-Net，实现算法参数从数据中全自动学习，在保留理论可解释性的同时，实现固定迭代最优性。在低秩信号恢复、视频压缩与重建等任务上的大量实验结果表明，该方法相较于传统优化算法与原始离散神经动力学方法，在恢复精度、收敛速度、鲁棒性及可扩展性上均实现显著提升，为仿射约束下的秩最小化问题提供了兼具理论严谨性与数据驱动高效性的研究范式。

此次成果的发表，体现了学院在高水平人才培养与学科建设方面取得的显著成效，也将助力学院在人工智能领域提升国际学术影响力与学科核心竞争力。

  论文题目：Neurodynamic Approaches with Fixed-Step Optimality for Rank Minimization: A Data-Driven Framework

  作者：张萌、何兴^*、赵友、黄廷文、喻俊志

  引用：M. Zhang, X. He, Y. Zhao, T. Huang and J. Yu, "Neurodynamic Approaches With Fixed-Step Optimality for Rank Minimization: A Data-Driven Framework," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 48, no. 11, pp. 14478-14494, Nov. 2026. doi: 10.1109/TPAMI.2026.3717777.

  论文链接：https://ieeexplore.ieee.org/abstract/document/11626582

供稿：张萌

供图：张萌

初审：何兴

终审：王慧维、谢俪