为了传递数统学科的独特魅力、思维方法与育人成效，塑造博牛
锐意创新、底蕴深厚的学术形象，2025年度博牛论坛
学术型研究生部分成果展示如下：
（一）
拓扑学领域国际权威期刊《Topology and its Applications》在线发表我校博牛论坛
林福财教授课题组的研究论文"Strongly topologically orderable gyrogroups with a suitable set”（DOI：10.1016/j.topol.2025.109565）。博牛论坛
2023级硕士生何佳敏为第一作者，2023级硕士生杨佳佳为第二作者，林福财教授为通讯作者，闽南师范大学为第一完成单位。该研究首次系统探讨了“拓扑可序化强旋转群”上suitable集的存在性问题，为拓扑群理论中悬而未决的公开难题提供了新的突破口。 suitable集早在上世纪60年代就已经被开始研究，但suitable集概念直到1990年才由Hofmann和Morris证明了每一局部紧的拓扑群具有suitable集。1994年，Morris在日本松山市举办“集理论拓扑及其应用”会议上作关于拓扑群的suitable集大会报告，自此拓扑群的suitable集开始被广泛关注与研究。尤其是，拓扑群的suitable集理论的研究开始主要集中在非局部紧群的空间类。但Comfort、Dikranjan、Takchenko、Tomita等提出大量关于suitable集的公开问题至今都没有解决，例如：是否每一拓扑可序化的拓扑群具有suitable集？这些问题的解决对于研究拓扑代数又非常重要，另外也说明该领域研究的重要生命力。本论文主要研究拓扑可序化的强旋转群，系统探讨该类强旋转群上合适集的存在性问题。研究主要分为性质刻画与存在性证明两部分。首先，深入分析了拓扑可序化强旋转群的拓扑性质，证明了：拓扑可序化强旋转群要么可度量化的，要么在单位元处有一个由开闭L-旋转子群组成的完全序的局部基H，且满足对任意及x,y∈G及H∈H，有gyr[x,y](H)=H。基于上述性质，进一步证明了每个拓扑可序化强旋转群是遗传仿紧的。并把“每个非完全不连通可序化拓扑群具有合适集”这一结果推广至强拓扑序旋转群。此外，证明了每个局部紧且完全不连通的拓扑可序化的强旋转群都具有合适集。最后，证明了当一个拓扑可序化强旋转群具有一个（闭的）合适集，那么它的稠密旋转子群也具有一个（闭的）合适集。
上述结果不仅深化了对拓扑可序化强旋转群内部结构的理解，也为suitable集理论的后续研究开辟了新方向。论文工作得到国家自然科学基金（11571158）与福建省自然科学基金重点项目（2024J02022）联合资助。
（二）
模式识别领域国际权威期刊《Pattern Recognition》在线发表我校博牛论坛
陈锦坤教授课题组的研究论文“TPFS: A three-phase heuristic feature selection algorithm for large-scale sample datasets”（DOI：10.1016/j.patcog.2025.112084）。博牛论坛
2022级硕士生苏浩然为该论文第一作者，陈锦坤教授为通讯作者，闽南师范大学为第一完成单位。该研究针对大规模样本数据集的特征选择问题，提出了一种高效的三阶段启发式算法TPFS。 特征选择是机器学习中的关键技术，在数据挖掘、计算机视觉、生物识别、医学诊断和欺诈检测等多个领域广泛应用。然而，随着大数据时代的到来，实际数据集往往包含海量样本，导致内存受限系统难以处理。现有特征选择方法在可扩展性和有效性上存在局限，无法高效应对此类挑战。开发一种能够在内存约束下从大规模样本数据中选出相关特征的算法，具有重要的理论和实际意义。传统方法如过滤式、包裹式和嵌入式在处理大规模数据时分类精度不佳，或计算复杂度高。进化算法虽在特征选择中表现出色，但鲸鱼优化算法（WOA）等存在随机初始化易导致局部最优、分类器单一等问题。鉴于此，该研究基于数据压缩、超图建模和WOA改进，开发了一种新型TPFS算法。该算法分为三个阶段：邻域压缩阶段、超图初始化阶段和鲸鱼优化阶段。首先通过类质心定义自适应邻域，保留最具代表性的样本以压缩数据集大小；随后，利用高斯核函数构建超图，求解顶点覆盖问题生成初始特征子集，避免随机初始化的不稳定性；最后，在改进WOA中引入双模式操作（气泡网攻击和繁殖）和三元分类器系统（CART、SVM和KNN），通过监测分类错误率动态优化特征子集，实现高鲁棒性和泛化能力。
上述算法借助数据压缩和优化机制，能处理超大样本数据集的同时性能稳健，既降低了内存需求，又保证了特征子集的高质量。通过扩展，该方法有望应用于其他大数据处理任务。论文工作得到国家自然科学基金（62076116，62076088）、福建省自然科学基金（2024J01799，2021J2049）和福建省高校数学学科联盟（2025SXLMMS05）的联合资助。
（三）
国际权威期刊《Expert Systems With Applications》在线发表我校博牛论坛
林国平教授课题组的研究论文“Dominance relation-based feature selection for interval-valued multi-label ordered information system”（DOI：10.1016/j.eswa.2025.126898）。博牛论坛
2023级硕士生秦宇杰为第一作者，林国平教授为通讯作者，闽南师范大学为第一完成单位。该研究针对区间值多标记数据集的特征选择问题，提出了一种高效的启发式算法IV-ML-DRSA。多标签学习解决了一个样本同时拥有多个标签的情况。区间值与离散数据集值数据、模糊数据等一般数据类型相比，具有更广泛的描述和刻画能力。这在现实生活中具有重要意义。然而，如何合理地处理区间值数据已成为众所周知的挑战。现有的多标签特征选择方法主要针对数值型问题，而区间值多标签系统的选择方法研究尚未见报道。探索如何将优势原理应用于区间值多标签有序数据是一个很有前途的研究领域。该文介绍了一种新的特征选择方法，旨在通过结合标签相关性和优势原则来识别更相关、更紧凑的特征子集。首先，将多标签学习与区间值信息系统相结合，设计了一种新的信息系统。其次，为了简化知识表示，该文讨论了区间值多标签信息系统的优势原理。在此基础上，提出了一种为每个标签生成约简信息的新方法，并引入了一种利用约简信息重叠的标签相关性学习方法。随后，提出了一种新的特征选择算法，该算法利用基于优势的粗糙集有效地过滤掉特征空间中的冗余特征。在大数据的背景下，该方法可以有效地降维，减轻噪声的影响，从而提高算法的性能。
论文工作得到国家自然科学基金（11871259，12101289，12201284）、山西省智能信息处理重点实验室开放项目基金（CICIP2023003）和福建省大学（莆田博牛
）应用数学开放重点实验室（SX202401）的联合资助。
