IEEE TCyb是计算机科学的人工智能领域最具影响力的国际学术刊物之一，在2013年该领域114种JCR国际期刊中排名第12，影响因子为3.236，主要发表和报道计算智能、计算机视觉、神经网络、遗传算法、机器学习、模糊系统、认知系统、机器人等领域与控制有关的最新研究进展和技术。该期刊每年出版12期，共收录120篇文章左右，目前接受率仅为7%左右。

论文简介：著名的贝叶斯信息标准（BIC）频繁地用于混合概率主成分分析模型的模型选择问题。然而，这一方法存在两方面不足：准确性方面，BIC不合理地用整个样本量惩罚每个主成分模型的模型复杂性，造成过惩罚；算法效率方面，实现BIC的两阶段法计算负荷较严重。为克服过惩罚问题，该文原创性提出一种新的模型选择标准称为分级BIC，新颖性在于仅用各个主成分模型自身的有效子样本量来惩罚模型复杂性，且在理论上分析了提出的分级BIC与变分贝叶斯置信下界以及BIC的关系。为克服存在两阶段法计算负荷较严重的问题，该文开发了有效学习算法。一系列实验包括手写数字识别应用表明所提出的分级BIC比BIC以及一些常用模型选择标准更为准确且所开发的新算法比常用的两阶段法更为有效。

论文链接： http://dx.doi.org/10.1109/TCYB.2014.2298401