2025年07月，公司教师袁明磊与来自河海大学、兰卡斯特大学等高校的研究团队合作，在校定A+级会议《International Conference on Machine Learning》发表题为"Stray Intrusive Outliers-Based Feature Selection on Intra-Class Asymmetric Instance Distribution or Multiple High-Density Clusters"的论文。

该研究聚焦类内实例分布不对称或存在多个高密度聚类的数据分类难题。此类数据中，异常值客观存在且对分类结果具有特定影响，而精准识别类别主体既是分类任务的关键前提，也是亟待突破的核心难点。传统特征选择方法多基于全部训练实例进行特征评分，缺乏针对类内实例分布不对称或多个高密度聚类特性的专门优化设计，难以适配此类复杂数据的分类需求。为解决这一问题，研究团队提出一种基于游离入侵异常值的有监督特征选择方法，专门适配上述特性数据的分类任务。该方法以游离入侵异常值为核心研究对象，通过改进偏度系数，并融合3σ原则中的阈值，实现对类别主体的精准识别；在此基础上，依据游离入侵异常值的入侵程度完成特征评分，达成针对性的特征筛选。同时，为合理表征类别主体的通用特征，研究还创新性地提出改进的密度 - 均值中心概念。通过系统的数学公式推导及定理证明，该研究保障了所提方法的合理性与通用性。为验证方法性能，研究团队在16个多样化的基准数据集上开展了大量对比实验。实验结果表明，所提方法在分类准确率、归一化互信息及混淆矩阵等关键评价指标上大多优于12种当前主流的特征选择方法，展现出较为显著的技术优势。

目前，该方法的源代码已正式公开，可通过以下链接获取：https://github.com/XXXly/2025-ICML-SIOFS，为相关领域的研究人员提供了重要的技术支撑与参考。

希望广大教师继续潜心研究，不断创新，多出成果。（撰稿：袁明磊；一审：艾科妮；二审：周健；三审：戴道明）