機器學習作為一項核心技術，已經在很多領域得到廣泛應用，如計算機視覺、機器人、社交網絡、數據挖掘和大數據處理等。傳統基于批處理模式的機器學習方法，不但初始化過程需要大量訓練樣本，而且模型不能實時更新。這兩個問題制約著在線學習系統的發展和應用。

　　中國科學院沈陽自動化研究所副研究員叢楊在多年研究基礎上，依據實際數據的內在低秩特性，提出了凸優化在線度量學習模型，降低了模型復雜度，克服了目前在線學習模型與算法普遍存在的過擬合問題。同時以模型統計期望為目標，在理論上證明了解的收斂性。相關論文分別發表在國際知名期刊IEEE Transactions on Circuits and Systems for Video Technology (Yang Cong, et al, Speeded up Low Rank Online Metric Learning for Object Tracking, IEEE Transactions on Circuits and Systems for Video Technology, 2014 DOI: 10.1109/TCSVT.2014.2355692), Transactions on Image Processing (Yang Cong, Ji Liu, Junsong Yuan, Jiebo Luo, Self-supervised Online Metric Learning with Low Rank Constraint for Scene Categorization, IEEE Transactions on Image Processing, v22, n 8, pp 3179 - 3191, 2013)和Springer (Yang Cong, Ji Liu, Junsong Yuan, Jiebo Luo, Low-Rank Online Metric Learning, Page 203-233, in Yun Fu, Low-Rank and Sparse Modeling for Visual Analysis, Springer, 2014 ISBN: 978-3-319-11999-1 (Print) 978-3-319-12000-3 (Online)專著。

　　該項研究得到了中國科學院青年創新促進會基金、機器人學國家重點實驗室、國家自然科學基金和國家863科技計劃連續支持，其成果已在一些工程應用項目中得到成功應用。

　　自2009年以來， 叢楊在在線學習理論和全局異常事件識別研究工作中取得了具有原創性的理論和應用研究成果，在計算機視覺和模式識別領域國際知名期刊和頂級會議上發表了一系列論文，其中包括 IEEE CVPR（2009,2011），IEEE Trans on Multimedia（2012），IEEE Trans. on Image Processing (2013)， Pattern Recognition (2013,2014)， IEEE Trans. on Circuits and Systems for Video Technology (2014)。目前的研究成果已具有理論上的系統性。（機器人學研究室）