机器学习作为一项核心技术，已经在很多领域得到广泛应用，如计算机视觉、机器人、社交网络、数据挖掘和大数据处理等。传统基于批处理模式的机器学习方法，不但初始化过程需要大量训练样本，而且模型不能实时更新。这两个问题制约着在线学习系统的发展和应用。

中国科学院沈阳自动化研究所副研究员丛杨在多年研究基础上，依据实际数据的内在低秩特性，提出了凸优化在线度量学习模型，降低了模型复杂度，克服了目前在线学习模型与算法普遍存在的过拟合问题。同时以模型统计期望为目标，在理论上证明了解的收敛性。相关论文分别发表在国际知名期刊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)专著。

该项研究得到了中国科学院青年创新促进会基金、机器人学国家重点实验室、国家自然科学基金和国家863科技计划连续支持，其成果已在一些工程应用项目中得到成功应用。

自2009年以来， 丛杨在在线学习理论和全局异常事件识别研究工作中取得了具有原创性的理论和应用研究成果，在计算机视觉和模式识别领域国际知名期刊和顶级会议上发表了一系列论文，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论上的系统性。（机器人学研究室）