姓名：车晓雅
职称：副教授
研究方向：
数据挖掘与机器学习
不确定性数学理论
联系方式：
办公地址：主楼C523
邮箱：chexiaoya@ncepu.edu.cn/chexiaoya@163.com
办公电话：010-61772347
一、个人简介。
车晓雅，女，1991年7月生。2021年于华北电力大学控制科学与工程专业获博士学位。2019-2020年受国家留学基金委资助赴澳大利亚悉尼科技大学人工智能研究中心进行为期一年的联合培养。获2017年度河北省优秀硕士学位论文。担任中国人工智能学会粒计算与知识发现专业委员，中国人工智能学会逻辑专业委员。本人长期致力于机器学习与数据挖掘，以及不确定性数学理论与人工智能实际问题交叉融合等方面研究工作，主要研究领域为多标记学习，迁移学习，模糊数学等，在IEEE TPAMI,IEEE TFS, KBS, FSS, 应用软计算，IJMLC，智能系统学报等国内外高水平期刊发表论文十多篇，主持国家自然科学基金青年项目一项，博士后面上项目一项，中央高校学科交叉创新专项课题一项，参加国家自然科学基金面上项目三项，河北省自然科学基金项目一项，Australian Research Council under DP 一项。
二、教学与人才培养。
1. 教学课程：
《大数据分析》(本科生)，48学时
《机器学习》(本科生)，32学时
《统计学习》(本科生)，32学时
《概率论与数理统计》(本科生)，56学时
《强化学习》(本科生)，32学时
《机器学习综合实践》(本科生)，2周
2. 学生培养：
协助指导硕士研究生5名，博士研究生2名
担任研数理2261班班主任
三、主要科研情况。
1. 纵向项目：
国家自然科学基金青年科学基金项目“多标记学习基于粗糙集的局部标记相关性理论与方法”(12201213)，结题，主持。
中国博士后科学基金面上资助项目“面向多标记数据的标记相关性分布研究”(2021M701184)，结题，主持。
国家自然科学基金面上项目“粗糙集数据分析算法泛化能力理论与方法研究”(12071131)，结题，主要参与。
国家自然科学基金面上项目“基于粗糙集的动态决策系统攻防理论与方法研究”(12571496)，在研，主要参与。
国家自然科学基金面上项目“基于多伴随粒计算的知识获取方法研究”(61573127)，结题，主要参与。
中央高校基本科研业务费学科交叉创新专项“面向交通能源融合的多学科交叉人工智能优化与决策方法”(2023JC007)，结题，课题负责人。
河北省自然科学基金资助项目“基于概念格的动态知识获取方法研究” (F2019205295)，结题，第一参与。
中央高校基本科研业务费青年培养项目“大数据背景下利用多标签间关系进行特征选择”(2019QN052)，结题，主持。
Australian Research Council under DP “Cross-Domain Knowledge Transfer for Data-Driven Decision Making ”(170101632），结题，主要参与。
2. 代表性论著：
[1] X.Y. Che, H. Zuo, J. Lu* and D.G. Chen*. Fuzzy multioutput transfer learning for regression[J]. IEEE Transactions on Fuzzy Systems, 2022, 30(7): 2438-2451.
[2] X.Y. Che, D.G. Chen* and J.S. Mi. Learning instance-level label correlation distribution for multilabel classification with fuzzy rough sets[J]. IEEE Transactions on Fuzzy Systems, 2023, 31(8): 2871-2884.
[3] X.Y. Che, D.G. Chen* and J.S. Mi. Label correlation in multi-label classification using local attribute reductions with fuzzy rough sets[J]. Fuzzy Sets and Systems, 2022, 426: 121-144.
[4] X.Y. Che, D.G. Chen* and J.S. Mi. Exploiting local label correlation from sample perspective for multi-label classification via three-way decision theory[J]. Applied Soft Computing, 2023, 149:110950.
[5] Z.X. Wang, D.G. Chen* and X.Y. Che. Learning operator-valued kernels from multilabel datesets with fuzzy rough sets[J]. IEEE Transactions on Fuzzy Systems, 2024, doi: 10.1109/TFUZZ.2024.3522 466.
[6] D.G. Chen*, J.Y. Liu and X.Y. Che. On the upper bounds of number of linear regions and generalization error of deep convolutional neural net-works[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2025，doi: 10. 1109/TPAMI.2025.3548620.
[7] X.Y. Che, J.S. Mi* and D.G. Chen. Information fusion and numerical characterization of a multi-source information system[J]. Knowledge based Systems, 2018, 145, 121-133.
[8] X.Y. Che, D.G. Chen* and J.S. Mi. Feature distribution-based label correlation in multi-label classification[J]. International Journal of Machine Learning and Cybernetics, 2021, 12, 1705-1719.
[9] X.Y. Che and J.S. Mi*. Attributes set reduction in multi-granulation approximation space of a multi-source decision information system[J]. International Journal of Machine Learning and Cybernetics, 2019, 10(9), 2297-2311.
[10] 车晓雅, 李磊军, 米据生*. 基于证据理论刻画多粒度覆盖粗糙集的数值属性[J]. 智能系统学报, 2016, 11(04), 481-486.
[11] 车晓雅，米据生*. 用 Shannon 熵度量两个数据集的一致性[J]. 计算机科学, 2016, 43(01), 61-63+80.
[12] X.Y. Che, D.G. Chen* and J.S. Mi. A novel approach for learning label correlation with application to feature selection of multi-label data[J]. Information Sciences, 2020, 512, 795-812.
[13] Z.X. Wang, D.G. Chen* and X.Y. Che. Multi-kernel learning for multi-label classification with local Rademacher complexity[J]. Information Sciences, 2023, 647, 119462.
[14] 汪振鑫, 陈德刚*, 车晓雅. 多标记数据驱动的可变换算子值核 [J]. 智能系统学报, 2026: 1-12.
[15] Wang Z.X., Chen D.G.*, Che X.Y. Multi-label learning based on operator-valued kernels [J]. International Journal of Machine Learning and Cybernetics, 2025, 16: 8429–8440.
