《面向特殊樣本形式的多視角學習問題及其解決方法》是科學出版社出版圖書。
基本介紹
- 中文名：面向特殊樣本形式的多視角學習問題及其解決方法
- 作者：朱昌明
- 出版時間：2022年3月1日
- 出版社：科學出版社
- 頁數：188 頁
- ISBN：9787030714039
- 開本：16 開
- 裝幀：平裝
內容簡介,圖書目錄,
內容簡介
《面向特殊樣本形式的多視圖學習問題及其解決方法》主要介紹多視圖學習的產生背景、存在的主要問題和相應的解決方案。針對實時產生且信息可變、有效樣本信息不足、多種樣本信息之間關聯複雜等特殊樣本形式的多視圖數據集，《面向特殊樣本形式的多視圖學習問題及其解決方法》逐一提出可行的方案並加以對比，深入淺出地描述了這些方案的優勢、劣勢和套用場景。
圖書目錄
《博士後文庫》序言
前言
第1章 背景 1
第2章 主要問題 4
2.1 實時產生且信息可變 4
2.2 有效樣本信息不足 4
2.2.1 有標籤樣本數目不足 5
2.2.2 信息缺失 5
2.3 多種樣本信息之間關聯複雜 5
2.4 問題展開及本書工作 6
第3章 半監督線上多視圖學習機 8
3.1 引言 8
3.1.1 傳統多視圖學習及其問題 8
3.1.2 OPMV的提出 9
3.1.3 OPMV的問題 9
3.1.4 SSOPMV的提出 10
3.2 線上多視圖學習 10
3.2.1 OPMV 10
3.2.2 模型最佳化 11
3.3 半監督線上多視圖學習機 12
3.3.1 通過Universum創建額外無標籤樣本 13
3.3.2 SSOPMV的實現 15
3.4 實驗 16
3.4.1 實驗設定 16
3.4.2 在不經常更新的多視圖數據集上的測試準確率比較 19
3.4.3 在經常更新的多視圖數據集上的測試準確率比較 21
3.4.4 不同的額外無標籤樣本生成方法之間的比較 21
3.4.5 線上學習相關的學習機與整體存儲相關的學習機的對比 22
3.4.6 有標籤樣本的百分比對學習機性能影響 24
3.4.7 ?t的影響 25
3.5 本章小結 26
第4章 具有可變特徵和視圖的半監督線上多視圖學習機 27
4.1 引言 27
4.1.1 傳統的多視圖學習機存在的問題 27
4.1.2 傳統多視圖學習機問題的解決方案 28
4.1.3 SOMVFV的提出、創新點、動機和貢獻 29
4.2 相關工作 29
4.2.1 半監督學習機 29
4.2.2 線上學習機 30
4.2.3 具有可變特徵或視圖的多視圖學習機 30
4.3 具有可變特徵和視圖的半監督線上多視圖學習 31
4.4 實驗 37
4.4.1 實驗設定 37
4.4.2 在單視圖小規模數據集上分類性能的比較 41
4.4.3 在單視圖大規模數據集上分類性能的比較 43
4.4.4 在多視圖小規模數據集上分類性能的比較 45
4.4.5 在多視圖大規模數據集上分類性能的比較 47
4.5 本章小結 47
第5章 具有Universum的基於秩一致性的多視圖學習 49
5.1 引言 49
5.1.1 問題和解決方法 49
5.1.2 RANCU的提出和優勢 49
5.2 實驗 50
5.2.1 實驗設定 50
5.2.2 實驗內容 51
5.3 本章小結 54
第6章 改進的具有五層樣本信息的多矩陣學習機 55
6.1 引言 55
6.1.1 背景介紹 55
6.1.2 動機和提出 55
6.1.3 貢獻 56
6.2 使用五種樣本信息提升多矩陣分類器性能 56
6.2.1 創建IBU樣本 56
6.2.2 IMMFI框架 57
6.3 實驗 58
6.3.1 實驗設定 58
6.3.2 分類性能的比較 59
6.3.3 驗證IMMFI在跟蹤問題中的有效性 60
6.4 本章小結 60
第7章 基於權重的無標籤多視圖數據集生成方法 62
7.1 引言 62
7.1.1 背景介紹 62
7.1.2 提出、動機和貢獻 63
7.2 基於權重的未知標籤多視圖數據集生成方法 63
7.2.1 基於WMVC獲得視圖和特徵的權重 63
7.2.2 獲得每個已知標籤的多視圖樣本的相似樣本 64
7.2.3 生成可行的未知標籤的多視圖數據集 65
7.3 實驗 66
7.3.1 實驗設定 66
7.3.2 現實數據集的性能比較 66
7.4 本章小結 74
第8章 基於權重和Universum的半監督多視圖學習機 76
8.1 引言 76
8.1.1 重要性體現 76
8.1.2 研究問題 77
8.1.3 研究目標 78
8.1.4 WUSM模型的提出、動機和獨創性 79
8.1.5 貢獻 79
8.2 相關工作 80
8.2.1 半監督多視圖學習機 80
8.2.2 Universum學習 80
8.2.3 構造Universum集的方法 81
8.3 基於權重和Universum的半監督多視圖學習機 81
8.3.1 構建WUSM的步驟 81
8.3.2 視圖和特徵的套用 83
8.3.3 計算複雜度分析 83
8.3.4 收斂性 83
8.3.5 WUSM的優勢 84
8.4 實驗 84
8.4.1 實驗設定 84
8.4.2 不同套用間性能比較 86
8.5 本章小結 88
第9章 新的具有不完整數據的多視圖學習機 90
9.1 引言 90
9.1.1 背景介紹 90
9.1.2 經典的學習機 90
9.1.3 問題 91
9.1.4 相應的解決方案 91
9.1.5 貢獻 91
9.2 MVL-IV框架 92
9.3 具有不完整數據的多視圖學習機 92
9.3.1 數據準備 92
9.3.2 目標及模型 93
9.3.3 模型實現 94
9.3.4 *終流程 95
9.4 實驗 96
9.4.1 實驗設定 96
9.4.2 回歸問題的比較 97
9.4.3 關於二分排名問題的比較 102
9.4.4 關於圖像搜尋問題的比較 103
9.4.5 計算複雜度比較 105
9.5 本章小結 107
第10章 具有不完整視圖和標籤的多視圖多標籤學習 108
10.1 引言 108
10.1.1 多視圖多標籤數據集 108
10.1.2 傳統的多視圖多標籤學習機存在的問題及解決方案 108
10.1.3 目標 110
10.1.4 獨創性和貢獻 110
10.2 具有不完整視圖和標籤的多視圖多標籤學習 111
10.2.1 數據準備 111
10.2.2 具有標籤特定特徵的多視圖多標籤學習 111
10.2.3 具有不完整標籤的多視圖多標籤學習 112
10.2.4 具有不完整視圖的多視圖多標籤學習 112
10.2.5 具有全局和局部關聯的多視圖多標籤學習 113
10.2.6 基於不同視圖補充信息的多視圖多標籤學習 114
10.2.7 MVML-IVL*終的目標函式 114
10.2.8 實現 114
10.3 實驗 115
10.3.1 實驗設定 115
10.3.2 實驗結果 119
10.4 本章小結 123
第11章 基於權重的典型稀疏跨視圖關聯分析 124
11.1 引言 124
11.1.1 背景介紹 124
11.1.2 動機 125
11.1.3 貢獻 126
11.2 相關工作 126
11.2.1 典型的稀疏跨視圖關聯分析 126
11.2.2 全局和局部典型關聯分析 127
11.3 基於權重的典型稀疏跨視圖關聯分析 128
11.3.1 基於權重的典型稀疏跨視圖關聯分析 128
11.3.2 核化的WCSCCA 130
11.4 實驗 131
11.4.1 實驗設定 131
11.4.2 在多特徵數據集上性能比較 133
11.4.3 在面部數據集上性能比較 137
11.5 本章小結 140
第12章 全局和局部多視圖多標籤學習 142
12.1 引言 142
12.1.1 三種經典數據集 142
12.1.2 傳統解決方案 142
12.1.3 存在問題 144
12.1.4 相應解決方案 144
12.1.5 獨創性及貢獻 144
12.2 全局和局部多視圖多標籤學習 144
12.2.1 數據準備 144
12.2.2 框架 145
12.2.3 解決方案 148
12.2.4 計算複雜度 149
12.3 實驗 149
12.3.1 實驗設定 149
12.3.2 實驗結果 150
12.4 本章小結 159
第13章 當前工作的不足 160
第14章 未來的可研究方向 162
14.1 有約束多關聯信息衡量算法 162
14.2 基於量質平衡模型及信息熵的信息增強算法 162
14.3 基於可變信息的多視圖線上學習機 163
參考文獻 165
編後記 189
彩圖
