近日，我中心一篇论文《HIB-MSRL: Rethinking Multi-Scale Representation Learning: A Hierarchical Information Bottleneck Perspective》被 Expert Systems with Applications（中科院一区、JCR-Q1）期刊录用。论文由我中心博士生胡兵兵、汪泽丰、杨永、姚俊峰教授和李春艳副研究员合作完成。
在真实世界的智能决策支持系统中，如何获得紧凑且具有判别性的多尺度表征，是提升模型可靠性、鲁棒性和下游任务性能的关键问题。然而，现有多尺度表征学习方法通常侧重于特征融合，容易在不同尺度特征之间引入语义冗余和噪声干扰，尤其在复杂、杂乱或噪声较强的视觉场景中，模型的泛化能力和鲁棒性仍然受到限制。为了解决这些问题，论文从信息论角度重新审视多尺度表征学习范式，提出了一种面向多尺度架构的分层信息瓶颈（Hierarchical Information Bottleneck, HIB）理论，并在此基础上设计了 HIB-MSRL 表征学习框架。该方法将研究重点从传统的多尺度特征融合转向优化驱动的信息压缩与选择性语义保留，通过逐层抑制冗余信息，同时保留与任务标签相关的判别性信息，从而提升模型在复杂场景下的鲁棒性和泛化能力。在多个基准数据集上开展的广泛实验表明，HIB-MSRL 在准确性和鲁棒性两方面均持续超越了现有的最先进方法，特别是在杂乱或充满噪声的环境中表现尤为突出。我们的工作从信息论的视角出发，为多尺度表示学习领域提供了全新的见解。
