近日，信息学院计算机系白璐博士以第一作者身份在国际顶级期刊Pattern Recognition（模式识别）发表题为“Depth-based Hypergraph Complexity Traces from Directed Line Graphs”的论文。论文还包括两位合作作者，分别为西班牙阿利坎特大学（University of Alicante, Spain）的Francisco Escolano教授，以及白璐博士在英国约克大学（University of York, UK）期间的博士导师Edwin R. Hancock教授（世界著名学者、英国皇家学会Wolfson Research Merit Award奖持有者）。

复杂网络是模式识别中重要的研究方向，在机器视觉、金融分析、数据挖掘、社会科学、生物、化学等领域均有着广泛的研究与应用。目前几乎所有的网络复杂度计算方法均是基于二阶（Two-order）信息的图网络而设计的，均不适用于超图这种可以度量高阶信息（High-order Information）的复杂网络。造成上述问题的主要原因在于现有二阶网络仅仅是超图的一个特例，二阶信息的度量方法直接推广到高阶信息的度量会不可避免地造成高阶信息的丢失。由于超图具有比二阶网络更好的描述现实问题能力，如何度量基于超图网络的复杂信息具有重要的学术价值与意义。本文首次提出了一种基于热力学深度信息的超图复杂度计算方法，可计算超图基于熵（Entropy）的高维信息流。通过理论分析，表明现有的基于图的深度信息以及熵值计算的方法是本文提出方法的特例，本文提出的方法既适用于高阶的超图网络也适用于传统二阶网络结构，具有更好的泛化能力。最终的实验结果也表明本文提出的方法比现有算法具有更好的性能，对未来进一步展开基于超图的复杂度研究具有重要意义。

Pattern Recognition是国际模式识别领域最重要的期刊之一，创刊于1968年，2015年影响因子为3.096；中科院JCR大分区二区；中国计算机学会CCF的评语为“国际重要期刊与会议，具有重要国际学术影响，鼓励我国学者投稿”。此外，白璐博士长期从事机器学习、模式识别、量子漫步等领域的研究，其成果已陆续发表在Pattern Recognition，Journal of Mathematic Imaging and Vision，Pattern Recognition Letters，ICML，IJCAI，ECML-PKDD，ICPR等国际顶级或重要会议、期刊上。其中，自2015年3月进入中财以来已发表高水平论文10余篇，包括：国际模式识别顶级期刊Pattern Recognition二篇，国际“机器学习”与“人工智能”顶级会议ICML 2015与IJCAI 2015各一篇，国际重要会议论文ICIAP 2015一篇，并获组委会与国际著名学术组织IAPR联合颁发的“Eduardo Caianiello”最佳论文奖。