《基於粒計算的大數據特徵融合理論與方法》是依託福州大學，由王石平擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於粒計算的大數據特徵融合理論與方法
- 依託單位：福州大學
- 項目類別：青年科學基金項目
- 項目負責人：王石平
項目摘要,結題摘要,
項目摘要
大數據本質上是對大量的半結構化、非結構化的高維多模態特徵的處理。大數據是需要新處理模式才能具有更強決策力、洞察發現力和流程最佳化能力的海量、高增長率和多樣化的信息資產。粒計算理論是數據挖掘的重要分支，為非結構化和半結構化數據提供了一系列信息粒化方式和求解方法，其研究在近年來取得了長足進展。本項目擬從數據模型、計算模型、問題和算法四個層次來系統地研究基於粒計算的大數據特徵融合。主要研究內容包括：1、基於粒計算的多信道圖像特徵選取；2、基於結構化學習的多模態特徵融合模型；3、基於多核學習的多模態特徵融合模型；4、相應模型的矩陣批量疊代算法。通過這些研究內容的探索與創新，建立四個層次的理論體系，提出並解決其中的關鍵問題，開發具體問題的高性能算法，為實際套用提供高效率、低成本、低風險的數據挖掘方案。
結題摘要
維數約簡是機器學習中的核心問題，如何從高維大數據中學習有效的低維表示一直是學者們研究的關鍵問題。本項目研究半結構化、非結構化的高維多模態特徵學習的基本原理，在粒計算理論和算法的基礎上，採用稀疏圖嵌入的方法，對單模態的高維特徵表示和多模態特徵融合問題進行系統研究，對於進一步闡明特徵表示與融合內在機理，改進高階矩陣分解算法，拓展特徵學習的理論和套用研究，具有重要的學術研究意義。其主要研究成果包括：1、通過稀疏圖嵌入方法，提出了粒計算的多信道圖像特徵選擇算法，能有效地從高維數據中學習有效的緊湊特徵子空間；2、結合低秩近似和結構化學習，為無監督特徵選擇提供一個統一的解決框架，同時為含有秩約束的最佳化問題提出了一類最佳化算法；3、構建了結構化學習的多模態多圖嵌入特徵融合模型，提出了一個高效的矩陣批量疊代算法，為高階的矩陣分解算法提供了一個有效的統一框架；4、將協同聚類和特徵表示整合到一個學習任務中，並提出一類懲罰矩陣分解算法來最佳化相應的目標函式；5、從低秩恢復和結構化嵌入的視角研究協同聚類，並提出相應的高效疊代算法；6、被上述研究的激發，研究計算機視覺中顯著性目標檢測的特徵學習問題，並得到了一系列豐碩的研究成果。通過這些研究內容的探索與創新，從數據層、模型層、問題層和算法層這四個方面出發，提出並解決了其中的關鍵問題，開發具體問題的高性能算法，為實際套用提供高效率、低成本、健壯的特徵表示與融合方案。
