近日，机器学习领域国际顶级会议Neural Information Processing Systems（NIPS/NeurIPS）2019录用刘威威教授研究组一篇论文，题目是“Copula Multi-label Learning”。刘威威老师是该篇论文唯一作者。

多标签学习中一个挑战性的问题是如何对标签以及特征之间的关系建模。现在有很多种方法都在尝试解决这个问题，但是人们对这些方法的统计性质还是不清楚。Copulas是建立多元数据相关性模型的有力工具，并且在金融、计量经济学和系统神经科学等广泛应用中取得巨大成功。论文提出了一个新颖的Copula多标签学习范式来对标签和特征之间的相互依赖关系建模。基于Copula的学习范式能够为多标签学习提供一个新的统计视角。特别地，本文首先利用核技术在输出空间中构造连续分布。然后对提出的模型进行半参数化估计，其中对Copula进行参数化估计，而对边际分布进行非参数化估计。理论上，论文证明了研究组提出的估计量是一个一致无偏估计量，并且证明了估计量渐近服从正态分布。此外，论文还给出了估计量的均方误差的上界。最后，不同领域的实验结果验证了该方法的优越性。

Neural Information Processing Systems（NIPS/NeurIPS）是目前人工智能领域及机器学习领域最有影响力的顶级会议。这是计算机学院首次以第一作者单位在NIPS上发表论文，也是湖北省高校中唯一一篇NIPS论文。

此外，刘威威老师作为第一作者的论文“Sparse Extreme Multi-label Learning with Oracle Property”在机器学习另一个顶级学术会议The International Conference on Machine Learning (ICML) 2019会议上发表，这也是计算机学院首次以第一作者单位在ICML上发表论文。它将有力地推进人工智能以及机器学习学科的前沿性研究工作，扩大学院在人工智能以及机器学习的学术影响力。

（供稿人：刘威威）