《半監督學習》是2021年科學出版社出版的圖書。
基本介紹
- 書名：半監督學習
- 作者：趙鐵軍(等)
- 出版社：科學出版社
- 出版時間：2021年6月1日
- 頁數：462 頁
- 裝幀：平裝
- ISBN：9787030690067
- 字數：582000
- 語種：zh-Hans
- 開 本：B5
內容簡介,圖書目錄,
內容簡介
本書是國際學術界論述半監督學習理論與方法最為詳細、內容最為豐富的一部著作。書中，數十位研究人員就半監督學習的各個方面闡述其研究成果，具體包含生成式模型、低密度分割、基於圖的方法、表示的變換、半監督學習實踐、視角六部分。
圖書目錄
《信息科學技術學術著作叢書》序
前言
第1章 半監督學習導論 1
1.1 有監督、無監督和半監督學習 1
1.2 何時半監督學習可以工作？ 4
1.3 算法分類和本書組織 6
參考文獻 10
第一部分 生成式模型
第2章 半監督學習的分類體系 15
2.1 半監督學習問題 15
2.2 半監督學習的範式 16
2.3 實例 22
2.4 結論 29
參考文獻 30
第3章 用EM進行半監督的文本分類 32
3.1 概述 32
3.2 文本的生成式模型 34
3.3 基本EM算法的實驗結果 39
3.4 使用更具表達能力的生成式模型 41
3.5 克服局部極大值的缺點 46
3.6 結論與總結 51
參考文獻 51
第4章 半監督學習的風險 54
4.1 無標記數據對分類性能的影響 54
4.2 從漸進偏差的角度理解無標記數據的作用 57
4.3 生成式半監督學習方法的漸進分析 60
4.4 有標記數據和無標記數據的用途 63
4.5 有限樣本集的影響 66
4.6 模型搜尋和魯棒性 67
4.7 結論 68
參考文獻 68
第5章 有約束的機率半監督聚類方法 71
5.1 引言 71
5.2 基於HMRF的半監督聚類模型 73
5.3 HMRF-KMeans算法 77
5.4 獲取約束的主動學習方法 89
5.5 實驗結果 91
5.6 相關工作 96
5.7 結論 97
參考文獻 98
第二部分 低密度分割
第6章 基於TSVM的半監督學習 105
6.1 引言 105
6.2 TSVM 107
6.3 在測試集上使用邊緣的原因 110
6.4 TSVM的實驗和套用 111
6.5 解決TSVM的最佳化問題 113
6.6 與其他相關算法的聯繫 114
6.7 結論與總結 115
參考文獻 115
第7章 基於SDP的半監督學習 118
7.1 SVM直推問題的鬆弛 118
7.2 加速近似 124
7.3 一般的半監督學習情形 126
7.4 經驗結果 127
7.5 小結 130
7.6 附錄 130
參考文獻 132
第8章 高斯過程與空類別噪聲模型 134
8.1 引言 134
8.2 噪聲模型 137
8.3 過程模型與空類別的效果 139
8.4 後驗推斷與預測 141
8.5 結果 143
8.6 討論 147
參考文獻 147
第9章 熵正則化 148
9.1 引言 148
9.2 準則的推導 149
9.3 最最佳化算法 152
9.4 相關方法 154
9.5 實驗 156
9.6 結論 161
參考文獻 163
第10章 數據相關的正則方法 166
10.1 引言 166
10.2 度量空間中的信息正則 170
10.3 信息正則與關係數據 179
10.4 討論 186
參考文獻 186
第三部分 基於圖的方法
第11章 標籤傳播和二次準則 191
11.1 引言 191
11.2 基於相似度圖的標籤傳播 192
11.3 二次代價準則 196
11.4 從直推式學習到歸納式學習 202
11.5 融合類先驗知識 203
11.6 半監督學習的維度災難 204
11.7 討論 211
參考文獻 212
第12章 半監督學習的幾何基礎 214
12.1 引言 214
12.2 正則中引入幾何 216
12.3 算法 219
12.4 半監督學習中數據相關的核 224
12.5 大規模半監督學習的線性方法 226
12.6 其他關聯算法和相關工作 228
12.7 未來工作 230
參考文獻 230
第13章 離散正則 232
13.1 引言 232
13.2 離散分析 233
13.3 離散正則 239
13.4 結論 242
參考文獻 243
第14章 基於條件調和混合的半監督學習 244
14.1 引言 244
14.2 CHM 247
14.3 CHM模型的學習 248
14.4 融入先驗知識 252
14.5 學習條件分布 253
14.6 模型平均 253
14.7 實驗 254
14.8 結論 263
參考文獻 263
第四部分 表示的變換
第15章 譜變換圖核 269
15.1 圖拉普拉斯 269
15.2 譜變換核 271
15.3 核對齊 273
15.4 使用QCQP為半監督學習最佳化對齊 273
15.5 序約束的半監督核 274
15.6 實驗結果 276
15.7 結論 282
參考文獻 283
第16章 使用譜方法進行維度約減 284
16.1 引言 284
16.2 線性方法 285
16.3 基於圖的方法 287
16.4 核方法 292
16.5 討論 295
參考文獻 297
第17章 修正距離 299
17.1 引言 299
17.2 估計DBD度量 302
17.3 計算DBD度量 311
17.4 採用基於密度的度量的半監督學習 317
17.5 結論和未來工作 319
參考文獻 319
第五部分 半監督學習實踐
第18章 大規模算法 323
18.1 引言 323
18.2 代價近似 324
18.3 子集選擇 327
18.4 討論 330
參考文獻 331
第19章 使用聚類核的半監督蛋白質分類 332
19.1 引言 332
19.2 蛋白質序列的表示與核 334
19.3 蛋白質序列的半監督核 336
19.4 實驗 340
19.5 討論 346
參考文獻 347
第20章 網路中的蛋白質功能預測 350
20.1 引言 350
20.2 基於圖的半監督學習方法 353
20.3 結合多張圖 354
20.4 蛋白質功能預測的實驗 357
20.5 結論和展望 362
參考文獻 362
第21章 基準測試分析 365
21.1 基準測試 365
21.2 半監督學習方法套用 370
21.3 結果與討論 377
參考文獻 381
第六部分 視 角
第22章 用於半監督學習的一個擴展PAC模型 385
22.1 引言 385
22.2 一個形式化的框架 388
22.3 樣本複雜度結果 390
22.4 算法的結果 399
22.5 相關模型和討論 403
參考文獻 406
第23章 基於度量的半監督分類和回歸方法 410
23.1 引言 410
23.2 半監督學習的度量結構 411
23.3 模型選擇 414
23.4 正則 424
23.5 分類 432
23.6 結論 437
參考文獻 438
第24章 直推式學習和半監督學習 441
24.1 問題設定 441
24.2 歸納式和直推式學習的泛化問題 442
24.3 VC界的結構和直推式學習 444
24.4 對稱化引理和直推式 445
24.5 直推式學習的界 447
24.6 歸納和直推的結構風險最小原理 447
24.7 直推式學習中的組合學 449
24.8 等價類大小的度量 449
24.9 歸納和直推式SVM的算法 451
24.10 半監督學習 455
24.11 直推式學習和學習的新問題 456
24.12 選擇性推理 456
參考文獻 457
第25章 關於半監督學習和直推式學習的一個討論 459
參考文獻 462
