[1] 面向高可信群体行为感知的动态协同聚类算法

本研究基于群智涌现机理，揭示了局部个体行为与全局群体行为的关联，率先提出了基于网络约束的动态时空聚类和基于协同约束的混合张量分解算法，大幅提高群体行为感知的准确率。研究成果获CCF-A类会议UbiComp 2016最佳论文候选奖，并获得Nature厦大百年校庆特刊报道。

 [2] 面向低成本群体行为认知的跨域小样本融合框架

该研究工作首次将情境感知理论应用到群体行为表示中，提出情境特征的跨领域融合方法；基于多视角学习理论，首次提出小样本驱动的群体行为主动学习机制，相同效果下大幅降低标注成本。研究成果应用于国防高分遥感项目，相关技术应用获福建省科技进步一等奖。

[3] 时空数据挖掘算法与应用

基于时空数据挖掘、图表示学习等技术，研究城市复杂开放环境下的时空数据态势感知、挖掘分析与研判预测等AI算法，并广泛应用于城市综合交通治理优化、疫情防控、边缘智能等场景。

[4] 联邦学习算法与隐私计算应用

联邦学习（简称FL）作为一个分布式机器学习的新型范式而受到广泛高度关注（2020年发表6000+篇论文）。然而，FL仍面临Non-iid、鲁棒性、公平性和隐私等研究挑战。本团队研究联邦学习公平性、鲁棒性等基础算法，并探索在时空数据挖掘、无人驾驶、普惠金融等领域的隐私计算应用。