[作者-刘力源｜审核-刘心月]2025年3月2日，我组题为“The Consistency Analysis of Gradient Learning under Independent Covariate Shift”的论文被人工智能期刊Neurocomputing录用。

在统计学和机器学习领域，由于对计算可行性和结果可解释性的需求，与高维数据相关的变量选择问题受到了广泛关注。梯度学习，基于泰勒展开和再生核Hilbert空间的性质，作为一种高度灵活的学习范式，通常具有严格的逼近理论基础，并在回归、分类和变量选择等任务中展现出了良好的性能。然而，目前对梯度学习的理论分析均基于样本独立同分布的假设。因此，本文针对独立协变量偏移情况下的梯度学习模型提供了理论保证。从函数近似的角度，建立了泛化误差的上界，并在密度比有界的条件下，证明了其一致收敛性。

博士生刘力源为论文第一作者，李伟夫副教授为通讯作者，陈洪教授、海南大学肖驰副教授参与了该研究工作。该项工作得到了国家自然科学基金的资助。