幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

面向特殊樣本形式的多視圖學習問題及其解決方法/博士後文庫

  • 作者：朱昌明|責編:王哲
  • 出版社：科學
  • ISBN：9787030714039
  • 出版日期：2022/03/01
  • 裝幀：平裝
  • 頁數：188
人民幣：RMB 109 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書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，本書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、劣勢和應用場景。
    本書可作為模式識別專業研究生和學者的參考書，也可供多視圖學習等領域的科研人員閱讀。
作者介紹
朱昌明|責編:王哲
目錄
《博士後文庫》序言
前言
第1章  背景
第2章  主要問題
  2.1  實時產生且信息可變
  2.2  有效樣本信息不足
    2.2.1  有標籤樣本數目不足
    2.2.2  信息缺失
  2.3  多種樣本信息之間關聯複雜
  2.4  問題展開及本書工作
第3章  半監督在線多視圖學習機
  3.1  引言
    3.1.1  傳統多視圖學習及其問題
    3.1.2  OPMV的提出
    3.1.3  OPMV的問題
    3.1.4  SSOPMV的提出
  3.2  在線多視圖學習
    3.2.1  OPMV
    3.2.2  模型優化
  3.3  半監督在線多視圖學習機
    3.3.1  通過Universum創建額外無標籤樣本
    3.3.2  SSOPMV的實現
  3.4  實驗
    3.4.1  實驗設置
    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
    3.4.3  在經常更新的多視圖數據集上的測試準確率比較
    3.4.4  不同的額外無標籤樣本生成方法之間的比較
    3.4.5  在線學習相關的學習機與整體存儲相關的學習機的對比
    3.4.6  有標籤樣本的百分比對學習機性能影響
    3.4.7  △t的影響
  3.5  本章小結
第4章  具有可變特徵和視圖的半監督在線多視圖學習機
  4.1  引言
    4.1.1  傳統的多視圖學習機存在的問題
    4.1.2  傳統多視圖學習機問題的解決方案
    4.1.3  SOMVFV的提出、創新點、動機和貢獻
  4.2  相關工作
    4.2.1  半監督學習機
    4.2.2  在線學習機
    4.2.3  具有可變特徵或視圖的多視圖學習機
  4.3  具有可變特徵和視圖的半監督在線多視圖學習
  4.4  實驗
    4.4.1  實驗設置
    4.4.2  在單視圖小規模數據集上分類性能的比較
    4.4.3  在單視圖大規模數據集上分類性能的比較
    4.4.4  在多視圖小規模數據集上分類性能的比較
    4.4.5  在多視圖大規模數據集上分類性能的比較
  4.5  本章小結
第5章  具有Universum的基於秩一致性的多視圖學習
  5.1  引言

    5.1.1  問題和解決方法
    5.1.2  RANCU的提出和優勢
  5.2  實驗
    5.2.1  實驗設置
    5.2.2  實驗內容
  5.3  本章小結
第6章  改進的具有五層樣本信息的多矩陣學習機
  6.1  引言
    6.1.1  背景介紹
    6.1.2  動機和提出
    6.1.3  貢獻
  6.2  使用五種樣本信息提升多矩陣分類器性能
    6.2.1  創建IBU樣本
    6.2.2  IMMFI框架
  6.3  實驗
    6.3.1  實驗設置
    6.3.2  分類性能的比較
    6.3.3  驗證IMMFI在跟蹤問題中的有效性
  6.4  本章小結
第7章  基於權重的無標籤多視圖數據集生成方法
  7.1  引言
    7.1.1  背景介紹
    7.1.2  提出、動機和貢獻
  7.2  基於權重的未知標籤多視圖數據集生成方法
    7.2.1  基於WMVC獲得視圖和特徵的權重
    7.2.2  獲得每個已知標籤的多視圖樣本的相似樣本
    7.2.3  生成可行的未知標籤的多視圖數據集
  7.3  實驗
    7.3.1  實驗設置
    7.3.2  現實數據集的性能比較
  7.4  本章小結
第8章  基於權重和Universum的半監督多視圖學習機
  8.1  引言
    8.1.1  重要性體現
    8.1.2  研究問題
    8.1.3  研究目標
    8.1.4  WUSM模型的提出、動機和獨創性
    8.1.5  貢獻
  8.2  相關工作
    8.2.1  半監督多視圖學習機
    8.2.2  Universum學習
    8.2.3  構造Universum集的方法
  8.3  基於權重和Universum的半監督多視圖學習機
    8.3.1  構建WUSM的步驟
    8.3.2  視圖和特徵的應用
    8.3.3  計算複雜度分析
    8.3.4  收斂性
    8.3.5  WUSM的優勢
  8.4  實驗
    8.4.1  實驗設置

    8.4.2  不同應用間性能比較
  8.5  本章小結
第9章  新的具有不完整數據的多視圖學習機
  9.1  引言
    9.1.1  背景介紹
    9.1.2  經典的學習機
    9.1.3  問題
    9.1.4  相應的解決方案
    9.1.5  貢獻
  9.2  MVL-IV框架
  9.3  具有不完整數據的多視圖學習機
    9.3.1  數據準備
    9.3.2  目標及模型
    9.3.3  模型實現
    9.3.4  最終流程
  9.4  實驗
    9.4.1  實驗設置
    9.4.2  回歸問題的比較
    9.4.3  關於二分排名問題的比較
    9.4.4  關於圖像搜索問題的比較
    9.4.5  計算複雜度比較
  9.5  本章小結
第10章  具有不完整視圖和標籤的多視圖多標籤學習
  10.1  引言
    10.1.1  多視圖多標籤數據集
    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
    10.1.3  目標
    10.1.4  獨創性和貢獻
  10.2  具有不完整視圖和標籤的多視圖多標籤學習
    10.2.1  數據準備
    10.2.2  具有標籤特定特徵的多視圖多標籤學習
    10.2.3  具有不完整標籤的多視圖多標籤學習
    10.2.4  具有不完整視圖的多視圖多標籤學習
    10.2.5  具有全局和局部關聯的多視圖多標籤學習
    10.2.6  基於不同視圖補充信息的多視圖多標籤學習
    10.2.7  MVML-IVL最終的目標函數
    10.2.8  實現
  10.3  實驗
    10.3.1  實驗設置
    10.3.2  實驗結果
  10.4  本章小結
第11章  基於權重的典型稀疏跨視圖關聯分析
  11.1  引言
    11.1.1  背景介紹
    11.1.2  動機
    11.1.3  貢獻
  11.2  相關工作
    11.2.1  典型的稀疏跨視圖關聯分析
    11.2.2  全局和局部典型關聯分析
  11.3  基於權重的典型稀疏跨視圖關聯分析

    11.3.1  基於權重的典型稀疏跨視圖關聯分析
    11.3.2  核化的WCSCCA
  11.4  實驗
    11.4.1  實驗設置
    11.4.2  在多特徵數據集上性能比較
    11.4.3  在面部數據集上性能比較
  11.5  本章小結
第12章  全局和局部多視圖多標籤學習
  12.1  引言
    12.1.1  三種經典數據集
    12.1.2  傳統解決方案
    12.1.3  存在問題
    12.1.4  相應解決方案
    12.1.5  獨創性及貢獻
  12.2  全局和局部多視圖多標籤學習
    12.2.1  數據準備
    12.2.2  框架
    12.2.3  解決方案
    12.2.4  計算複雜度
  12.3  實驗
    12.3.1  實驗設置
    12.3.2  實驗結果
  12.4  本章小結
第13章  當前工作的不足
第14章  未來的可研究方向
  14.1  有約束多關聯信息衡量演算法
  14.2  基於量質平衡模型及信息熵的信息增強演算法
  14.3  基於可變信息的多視圖在線學習機
參考文獻
編後記
彩圖

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032