南大人工智能学院 Henry W. J. Reeve 副教授
报告生成时间： 2026年8月
DBLP： https://dblp.org/pid/172/1422.html Google Scholar： 公开检索未能确认唯一指向的账号，本报告不作引用 公开简介来源： 江苏省计算机大会（JSCC 2026）等会议嘉宾介绍（其南大官方教师主页公开检索未能获取）
一、学者基本信息
Henry W. J. Reeve，南京大学人工智能学院副教授（tenured Associate Professor，长聘副教授），国家级青年人才计划（海外）入选者（National High-Level Youth Talent Program for Overseas Scholars）。同时保留英国布里斯托大学荣誉高级讲师（Honorary Senior Lecturer）职务。他于2025年4月加入南京大学人工智能学院，此前在英国从事机器学习理论研究。研究方向为人工智能、机器学习与统计的理论基础，重点关注分布偏移（distribution shift）与高维数据带来的挑战，具体涵盖迁移学习、子群发现、压缩学习、标签噪声下的分类、多臂赌博机等，致力于构造具有强理论保证的自适应机器学习算法。曾获ICML 2025杰出论文奖（Outstanding Paper Award）。
教育与工作经历： - 本科毕业于英国牛津大学。 - 布里斯托大学纯数学博士。 - 曼彻斯特大学计算机科学博士（两段博士训练，全程获奖学金资助）。 - 2020年，任布里斯托大学讲师（Lecturer）。 - 2025年4月至今，南京大学人工智能学院副教授（长聘序列），保留布里斯托荣誉职务。
研究主线与代表性贡献： 1. 集成学习理论： 与Gavin Brown（曼彻斯特）合作的"自由度"系列——回归集成的自由度（Neurocomputing 2018、ESANN 2017）、集成学习的多样性统一理论（JMLR 2023，与Wood、Mu、Webb、Luján合作）是该方向的理论标志性工作。 2. 标签噪声与稳健学习： 非紧特征空间上未知类条件标签噪声的分类（COLT 2019）、对未知非对称标签噪声稳健的kNN分类器快速收敛速率（ICML 2019）。 3. 高维与非欧结构学习： 流形上代价敏感学习的极小极大速率（ALT 2017）、混合比例估计的几何结构（ALT 2019）、随机投影下的PAC结构发现（Machine Learning 2024）。 4. 多臂赌博机与分布式决策： 与Ayalvadi Ganesh（布里斯托应用数学）合作的去中心化赌博机渐近最优性（SIGMETRICS 2022、Dynamic Games and Applications 2023）；K-NN UCB算法（ALT 2018）。 5. 缺失数据统计学习（布里斯托—曼大新主线）： 缺失数据下的得分匹配（ICML 2025，与Josh Givens、Song Liu合作，获Outstanding Paper Award）、密度比估计与Neyman-Pearson分类（AISTATS 2023）、条件结局等价的分位数处理效应（NeurIPS 2024）。 6. 近期交叉拓展： 多元时间序列聚类的相关性结构验证（与Bristol的Degen、Kate Robson Brown合作，2025）。
学术服务： Annals of Statistics、JRSSB等顶级统计学期刊长期审稿人；ICML/NeurIPS/ALT/COLT等会议程序参与。
二、DBLP数据统计
2.1 发表记录总览
DBLP pid为172/1422（显示名"Henry W. J. Reeve"），共收录40条发表记录（截至2026年8月）：期刊论文26篇、会议论文13篇、博士论文1篇。其中CoRR/arXiv预印本19条，非CoRR正式记录21条。重名消歧： DBLP另存在"Henry Reeve"（pid 346/0910，仅1条NeurIPS 2022记录）为不同人的条目（该条目与Busa-Fekete、Dembczynski等的博弈论文共著，署名无中名缩写，应为谷歌系研究员同名者），本报告严格采用172/1422。
2.2 年度产出分布
| 年份 | 论文数 | 年份 | 论文数 |
|---|---|---|---|
| 2015 | 2 | 2021 | 4 |
| 2017 | 2 | 2022 | 1 |
| 2018 | 6 | 2023 | 5 |
| 2019 | 7 | 2024 | 5 |
| 2020 | 4 | 2025 | 4 |
趋势分析： 2015年（曼彻斯特博士阶段早期，FE@NIPS）起步；2018-2019年为博士毕业前后峰值（13条，对应标签噪声、赌博机、混合比例估计三条理论线的集中产出）；2020年入职布里斯托后节奏放缓但保持稳定；2023-2025年的产出以Givens/Liu（缺失数据统计）与Kabán（高维学习）两条线为主。整体属"理论学者型"产出：量少质高，正式记录中ICML×3、ALT×3、NeurIPS、COLT、AISTATS、JMLR等理论旗舰占比过半。
2.3 主要发表会议/期刊分布（非CoRR）
| 会议/期刊 | 论文数 | 级别/性质 |
|---|---|---|
| ICML | 3 | CCF-A |
| ALT | 3 | 算法学习理论旗舰（CCF-C） |
| Machine Learning（期刊） | 2 | CCF-B |
| JMLR | 1 | 机器学习理论顶刊 |
| NeurIPS | 1 | CCF-A |
| COLT | 1 | 学习理论顶会 |
| AISTATS | 1 | 统计理论旗舰 |
| Data Mining and Knowledge Discovery | 1 | CCF-B |
| Annals of Statistics（经简介披露） | — | 统计学顶刊（DBLP或未收录条目） |
| 其他（ECML、ESANN、Neurocomputing等） | 8 | CCF-B/C |
发表版图几乎纯理论：ICML/COLT/ALT/AISTATS/NeurIPS的学习理论通道加JMLR/Machine Learning/DMKD期刊通道，与南大AI学院偏实证的主流（视觉、数据挖掘）形成鲜明互补。
2.4 合作者网络总览
40条记录对应24位唯一合作者，合作4次以上者5位。网络呈清晰的三核结构：Gavin Brown核（曼彻斯特集成学习学派）、Ata Kabán核（伯明翰高维统计学习）、Song Liu/Josh Givens核（布里斯托/曼大缺失数据统计）。南大侧合作者目前为零——2025年4月刚入职，其南大阶段网络尚待形成。
2.5 核心合作者（Top 12，按DBLP合作频次降序）
| 排名 | 合作者（DBLP名） | 合作次数 | 合作年份 | 身份/机构与关系 |
|---|---|---|---|---|
| 1 | Gavin Brown 0001 | 15 | 2015-2023 | 曼彻斯特大学教授（集成学习理论权威），其曼彻斯特导师之一 |
| 2 | Ata Kabán | 11 | 2019-2024 | 伯明翰大学教授（高维统计学习），最稳定理论伙伴 |
| 3 | Josh Givens | 5 | 2023-2025 | 布里斯托大学（缺失数据统计，ICML 2025获奖论文合作者） |
| 4 | Song Liu | 5 | 2023-2025 | 布里斯托大学副教授，缺失数据统计线主导者 |
| 5 | Andrew M. Webb 0002 | 4 | 2019-2023 | 曼彻斯特，集成多样性理论合作者 |
| 6 | Mikel Luján | 4 | 2019-2023 | 曼彻斯特大学教授，JMLR 2023合作者 |
| 7 | Ayalvadi Ganesh 0001 | 3 | 2021-2023 | 布里斯托大学应用数学教授（排队论/网络），去中心化赌博机合作者 |
| 8 | Tingting Mu | 3 | 2018-2023 | 曼彻斯特大学，JMLR 2023合作者 |
| 9 | Isabella Degen | 2 | 2025 | 布里斯托，时间序列聚类 |
| 10 | Zahraa S. Abdallah | 2 | 2025 | 布里斯托，时间序列聚类 |
| 11 | Kate Robson Brown | 2 | 2025 | 布里斯托（人类学/数据科学交叉） |
| 12 | Timothy I. Cannings | 2 | 2021 | Exeter大学统计学家（含Richard J. Samworth合作论文） |
结构特征： 前三位合作者（Brown 15次、Kabán 11次、Givens/Liu各5次）分别对应其三个研究阶段的导师/伙伴核心，全部为英国学者。Richard J. Samworth（统计推断理论重镇）出现在2021年合作名单中，显示其与英国统计学界的连接。
三、教育背景与学术谱系
3.1 双博士训练：纯数学+计算机科学
Reeve的罕见之处在于拥有两段博士训练：先在布里斯托完成纯数学博士，再在曼彻斯特完成计算机科学博士（2019年，博士论文《Learning in high dimensions with asymmetric costs》收录于DBLP）。这一"数学底座+机器学习问题意识"的组合直接塑造其研究风格：极小极大速率、自由度分解、渐近最优性等纯数学工具贯穿全部工作。其本科就读牛津大学，全程奖学金。
3.2 曼彻斯特集成学习学派的延伸
其曼彻斯特阶段的导师/合作核心Gavin Brown是集成学习理论的国际权威（集成多样性理论的提出者之一）。Reeve将Brown的"自由度"分析从回归集成扩展到模块化降维（ECML 2018）、直方图高效学习（DMKD 2024，与Kabán）与投影结构发现（ML 2024），并把多样性理论统一化（JMLR 2023，六作者跨曼彻斯特团队论文）。在谱系意义上，他是曼彻斯特集成学习学派向南大的延伸节点。
Gavin Brown（曼彻斯特大学，集成学习理论）
└─ Henry W. J. Reeve（曼大CS博士2019届；布里斯托讲师2020-2025）
└─ 南大AI学院副教授（2025.4至今，理论方向新节点）
Ata Kabán（伯明翰大学，高维统计学习）←长期合作伙伴（非指导关系）
Song Liu（布里斯托大学）←缺失数据统计合作线
3.3 与南大理论传统的接口
南大AI学院的理论力量集中在LAMDA（周志华的集成学习理论正是其成名领域之一）。Reeve的集成学习理论背景（Brown学派）与LAMDA的集成学习传统（周志华《Ensemble Methods: Foundations and Algorithms》教材及AdaBoost/选择性集成系列）存在天然学术接口；但其与南大教师的DBLP直接合作尚为零条，理论对话是否形成制度化合作有待观察，本报告不作预测。
四、南大团队合作网络
4.1 现状：入职初期，网络尚未展开
截至2026年8月，其DBLP记录中无任何南大署名合作者，最后一条记录为2025年（入职当年）。这一空白与其入职时间（2025年4月）和理论研究的长周期特征相符，不构成异常。
4.2 在学院中的定位
依据公开简介，其在南大AI学院承担机器学习/统计理论基础方向的教学科研。学院既有理论布局包括：LAMDA的机器学习理论（周志华、张利军等的优化/在线学习）、以及本报告系列其他学者覆盖的实证方向。Reeve的加入补强了统计学习理论（尤其是非渐近分析、稳健统计、缺失数据）方向，是学院"理论深度+国际视野"人才梯队的青年理论学者代表。其布里斯托荣誉职务保留，形成中英双基地雏形。
4.3 招生与团队建设
公开资料未披露其南大阶段的研究生招生与团队组建情况；2025年4月入职后按常规节奏，其首批学生应于2025-2026年入学，相关网络形成需要2-3年，本报告无法统计。
五、业界与国际合作关系
5.1 学术界合作（英国网络为主）
如2.5节所列，其合作网络集中于英国：曼彻斯特（Brown、Luján、Mu、Webb）、伯明翰（Kabán）、布里斯托（Liu、Ganesh、Degen、Robson Brown）、Exeter（Cannings）及帝国理工间接连接（Samworth合作论文）。无任何产业界合作记录——其DBLP记录中无企业署名作者，公开简介亦未提及企业项目。
5.2 学术服务
长期担任Annals of Statistics、JRSSB等统计学顶刊审稿人；JSCC 2026人工智能前沿研讨会等国内会议已开始邀请其报告（江苏省计算机大会），显示其正在进入国内学术交流圈。
5.3 产业合作评估
公开资料未披露其与企业的合作关系。基于其纯理论研究方向（非渐近统计保证、赌博机理论），短期内可预见的产业连接有限；本报告如实记录为"公开资料未披露"。
六、Connection圈层总结
第一圈层——英国理论合作核心： Gavin Brown（15次）、Ata Kabán（11次）构成其两大理论支柱，前者代表曼彻斯特集成学习谱系（其博士训练源头），后者代表高维统计学习的长期对话；Givens/Liu（各5次）是2023年以来最活跃的缺失数据统计线，产出ICML 2025杰出论文奖。
第二圈层——曼彻斯特集成学习学派： 经由Brown连接Mu、Luján、Webb、Wood等曼大团队（JMLR 2023六作者论文是该圈层的集体呈现），并间接上溯至集成学习理论的国际传统——与南大周志华的集成学习理论形成远端呼应。
第三圈层——布里斯托应用数学与统计： Ganesh（排队论/网络）、Cannings/Samworth（统计推断）构成其赌博机与统计理论的合作外延；保留的荣誉高级讲师职务维系该通道。
第四圈层——南大AI学院（在建）： 2025年4月入职，长聘副教授、国家级青年人才（海外）身份明确，但合作网络尚未在DBLP中显现。其未来与LAMDA理论力量（集成学习、优化）及学院实证方向的互动是观察南大理论AI发展的一个有价值样本。
产出规模与定位： 40条DBLP记录、24位合作者，规模小而理论浓度极高（ICML/COLT/ALT/AISTATS/JMLR/Annals of Statistics口径）。Reeve在南大AI学院的定位是：机器学习与统计理论方向的青年国际学者，是学院2025年前后理论人才引进的代表案例；本报告如实反映其"入职初期、南大网络空白"的客观状态。
七、数据来源与局限性说明
本报告主数据来自DBLP官方作者记录（pid: 172/1422，40条发表记录），并结合以下公开信息源：
- JSCC 2026人工智能前沿研讨会嘉宾介绍（职务、教育经历、研究方向、荣誉——该简介为目前最完整的公开履历来源）
- DBLP作者XML记录（类型、年度、会议、合作者统计）及作者检索API（重名消歧）
- ICML/NeurIPS/COLT/ALT/AISTATS/JMLR等论文页面与署名信息
- Annals of Statistics等期刊审稿信息（经会议简介披露）
局限性说明：
- 南大官方页面缺失： 人工智能学院官网（ai.nju.edu.cn）上未检索到其独立教师主页，职务信息（tenured Associate Professor）来自会议嘉宾简介等二手来源；聘期、序列细节（准聘/长聘转换时点）无法进一步核实。
- 南大阶段网络空白： 2025年4月入职至今DBLP无南大署名记录，属入职初期正常状态；其招生、团队、课程信息公开资料未披露。
- 重名消歧： DBLP中"Henry Reeve"（346/0910）与"Henry W. J. Reeve"（172/1422）为两个独立条目，前者仅1条NeurIPS 2022记录（与谷歌系研究者合作），本报告已排除；不排除DBLP未来合并的可能。
- 荣誉信息口径： ICML 2025 Outstanding Paper Award（获奖论文《Score Matching with Missing Data》）来自会议简介与ICML官方记录交叉确认；国家级青年人才计划（海外）的具体批次未公开。
- Google Scholar： 未能唯一确认其账号，引用数据不作引用。