2017年1月，博士生桂林的论文《Negative Transfer Detection in Transductive Transfer Learning》被期刊International Journal of Machine Learning and Cybernetics发表。

该工作主要讨论了基于样例迁移的直推式迁移学习过程中被错误标注的迁移数据可能引发的错误累积以及负面迁移现象对学习算法的性能影响，以及如何利用基于拉德马赫分布对类噪音进行合理的估计，进而通过负面迁移检测控制类噪音累积对迁移学习性能的影响。通过跨语言以及跨领域的情感分类实验的验证，充分说明了该方法的有效性。这一工作是课题组2014年发表在自然语言处理顶级会议ACL以及2015年发表在数据挖掘顶级会议CIKM上的相关工作的延续。

期刊International Journal of Machine Learning and Cybernetics为SCI检索，影响因子1.11，JCR分区Q3。

论文网址：

https://link.springer.com/article/10.1007/s13042-016-0634-8