多源异构数据的分析和处理是当前人工智能的研究热点，随着数据量的增多，多源异构数据在数据类型、数据关系及数据质量上的差异性日益增大，且包含大量未标注数据及数据稀疏区域，导致多源异构数据的深度认知建模成为难题。2018年《江苏省新一代人工智能产业发展实施意见》指出：加快发展人工智能理论与算法，突破复杂数据深度挖掘，加强人工智能辅助智慧医疗的研究发展。本项目通过基础理论创新，构建了多源异构数据规范化表示的高效表征学习理论、多源异构数据识别任务驱动的多视图深度认知学习方法、以及多源异构数据生成与识别双驱动的多视图深度认知学习方法，建立了面向多源异构数据的深度认知学习理论体系，成果如下：
1提出基于多源异构数据规范化表示的高效表征学习理论。针对多源异构数据的海量异构、内容庞杂、结构松散等特点，构建融合多级别粒度的数据规范化表示综合框架，获取统一维度的特征值，设计基于多粒度学习的谱聚类以及密度峰值聚类，形成对齐的表征空间，丰富了高效表征方法，提升了不同源分布不均的多源异构数据的表征能力，创造性的实现了多源异构数据的自适应规范化表示与高效表征。
2提出多源异构数据识别任务驱动的多视图深度认知学习方法。根据规范化多源异构数据学习到的数据表示，对于不同来源数据中易存在冗余、过拟合的问题，提出基于概率图神经网络的深度认知模型构建方法；在此基础上，针对多源数据源与源之间的数据融合与协同问题，提出融合多视角建模的概率图深度认知方法、从多视图角度建立了由识别任务驱动的多源异构数据的深度认知方法体系。
3提出多源异构数据生成与识别双驱动的多视图深度认知学习方法。基于面向判别任务的概率图神经网络，面对多源数据中存在的异步和部分源数据缺失问题，从多视图的角度出发，通过缺失视图的生成和补全，建立了融合生成和判别方法的深度认知神经网络。在此基础上，提出了识别和生成双驱动的多源异构生物数据深度认知方法，从表征、融合的角度实现了多源异构生物数据的认知过程。
本项目主持了“973计划”课题1项、科技创新2030-“新一代人工智能”重大项目课题1项、国家自然科学基金项目3项（含优青项目1项），在CCFA类中文期刊：《计算机学报》、《软件学报》等发表论文20篇，在包括顶级IEEE汇刊《IEEETransactionsonKnowledgeandDataEngineering》、国际模式识别学会会刊《PatternRecognition》等在内的主流SCI期刊发表学术论文197篇。成果被SCI引用2324次，其中5篇代表论文引用165次，1篇论文入选《软件学报》2019年高影响力论文、同时入选领跑者5000(F5000)-中国精品科技期刊顶尖学术论文，16篇论文入选ESI前1%高被引论文。所做工作得到了加拿大皇家学会院士WitoldPedrycz教授、英国皇家工程院院士AsokeKumarNandi教授等院士，院士候选人、国家杰青、国防卓越青年、“万人计划”领军人才付琨研究员，李志武、严洪等IEEEFellow，吕金虎、杨胜勇等国家杰青，首席科学家李舜酩教授及国际著名学者的高度认可。本项目执行期间，培养国家优青1名、国家高层次人才1名、中国科学院“百人计划”0名。

多源异构数据的分析和处理是当前人工智能的研究热点，随着数据量的增多，多源异构数据在数据类型、数据关系及数据质量上的差异性日益增大，且包含大量未标注数据及数据稀疏区域，导致多源异构数据的深度认知建模成为难题。2018年《江苏省新一代人工智能产业发展实施意见》指出：加快发展人工智能理论与算法，突破复杂数据深度挖掘，加强人工智能辅助智慧医疗的研究发展。本项目通过基础理论创新，构建了多源异构数据规范化表示的高效表征学习理论、多源异构数据识别任务驱动的多视图深度认知学习方法、以及多源异构数据生成与识别双驱动的多视图深度认知学习方法，建立了面向多源异构数据的深度认知学习理论体系，成果如下：
1提出基于多源异构数据规范化表示的高效表征学习理论。针对多源异构数据的海量异构、内容庞杂、结构松散等特点，构建融合多级别粒度的数据规范化表示综合框架，获取统一维度的特征值，设计基于多粒度学习的谱聚类以及密度峰值聚类，形成对齐的表征空间，丰富了高效表征方法，提升了不同源分布不均的多源异构数据的表征能力，创造性的实现了多源异构数据的自适应规范化表示与高效表征。
2提出多源异构数据识别任务驱动的多视图深度认知学习方法。根据规范化多源异构数据学习到的数据表示，对于不同来源数据中易存在冗余、过拟合的问题，提出基于概率图神经网络的深度认知模型构建方法；在此基础上，针对多源数据源与源之间的数据融合与协同问题，提出融合多视角建模的概率图深度认知方法、从多视图角度建立了由识别任务驱动的多源异构数据的深度认知方法体系。
3提出多源异构数据生成与识别双驱动的多视图深度认知学习方法。基于面向判别任务的概率图神经网络，面对多源数据中存在的异步和部分源数据缺失问题，从多视图的角度出发，通过缺失视图的生成和补全，建立了融合生成和判别方法的深度认知神经网络。在此基础上，提出了识别和生成双驱动的多源异构生物数据深度认知方法，从表征、融合的角度实现了多源异构生物数据的认知过程。
本项目主持了“973计划”课题1项、科技创新2030-“新一代人工智能”重大项目课题1项、国家自然科学基金项目3项（含优青项目1项），在CCFA类中文期刊：《计算机学报》、《软件学报》等发表论文20篇，在包括顶级IEEE汇刊《IEEETransactionsonKnowledgeandDataEngineering》、国际模式识别学会会刊《PatternRecognition》等在内的主流SCI期刊发表学术论文197篇。成果被SCI引用2324次，其中5篇代表论文引用165次，1篇论文入选《软件学报》2019年高影响力论文、同时入选领跑者5000(F5000)-中国精品科技期刊顶尖学术论文，16篇论文入选ESI前1%高被引论文。所做工作得到了加拿大皇家学会院士WitoldPedrycz教授、英国皇家工程院院士AsokeKumarNandi教授等院士，院士候选人、国家杰青、国防卓越青年、“万人计划”领军人才付琨研究员，李志武、严洪等IEEEFellow，吕金虎、杨胜勇等国家杰青，首席科学家李舜酩教授及国际著名学者的高度认可。本项目执行期间，培养国家优青1名、国家高层次人才1名、中国科学院“百人计划”0名。