实验室刘景华老师等撰写的论文Fuzzy Mutual Information-Based Multilabel Feature Selection With Label Dependency and Streaming Labels，在顶刊《IEEE Transactions on Fuzzy Systems》发表。刘老师为第一作者。

  该文指出，多标签特征选择（Multilabel Feature Selection, MFS）在各种大数据应用中受到了广泛关注。然而，该文中大多数现有方法无论是显式还是隐式，都假设在特征选择开始之前，所有标签已经被提前给出，或者假设所有标签是相互独立的。实际上，在许多实际应用中，可用的标签通常是动态到达的，并且可能彼此之间存在相互依赖关系。此外，标签可能以小批量（minibatch）动态生成的方式到达，这使得探索标签之间的依赖关系更加困难。

  该文提出了一种基于模糊互信息（fuzzy mutual information）的新型多标签特征选择方法——MSDS，该方法能够同时解决单一流式标签、小批量流式标签的处理问题，并有效利用标签之间的依赖关系。具体来说，首先，该文将模糊互信息推广到适用于多标签学习的场景。该模型能够有效地考虑两个标签之间的关系，并对多个标签之间的关系具有良好的适应性。然后，该文基于标签依赖性和流式标签的结合，分析特征的相关性和冗余性，从而有助于选择高质量的特征子集。最后，该文设计了一种特征转换机制，以融合新到达流式标签的代表性特征。在十二个多标签数据集上的全面实验清楚地揭示了该方法相较于两种基于流式标签的算法和五种最新的基于静态标签空间的算法的优越性。