掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
(社版)玫瑰色的森林
-
>
(社版)金色的雨(精裝繪本)
-
>
(社版)海藍色的小水桶(精裝繪本)
-
>
(社版)白色的禮物(精裝繪本)
-
>
它們：水怪時代
-
>
家門口的大自然系列:奶奶的花園 奶奶的菜園(全2冊)
-
>
創意立體紙魔坊玩具書——賽車 作業車
數據分析的結構化表征學習 版權信息
- ISBN：9787115584014
- 條形碼：9787115584014 ; 978-7-115-58401-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據分析的結構化表征學習 本書特色
1.哈工大（深圳）研究團隊多年成果及經驗總結；2.聚焦從不確定性的大數據中提取結構化特征——覆蓋廣泛數據對象類型；3.可實現高性能的信息挖掘和知識推斷——大大提升多種人工智能應用的效率；4.介紹大規模多源數據的視覺分析理論和方法，支撐數據聚類分析等方面的研究和應用；5.構建“基礎理論->模型與方法->學習算法->實際應用”循序漸進的體系，幫助讀者扎實掌握理論與算法。
數據分析的結構化表征學習 內容簡介
結構化表征學習是機器學習研究的核心問題之一，旨在探索如何從高維可觀測數據中獲取有效的結構化信息表示，以實現高精度、魯棒、快速的數據分析，是由數據到知識的關鍵渠道。本書重點介紹如何從具有不確定性的海量大媒體數據中挖掘和提取結構化、魯棒、高效的特征，并實現高性能的信息挖掘和知識推斷。本書內容包含近年來涌現的一些高效、魯棒的結構化表征學習模型，介紹了基于魯棒且緊湊的表征學習的一體化表征學習理論和方法，并為應對真實世界中的數據分析任務，如數據簡約特征表達、緊湊特征壓縮、有效特征篩選以及隱含知識挖掘等，提供了較為全面且切實可靠的解決方案。 本書作者所在的團隊多年來一直從事機器學習、計算機視覺、多媒體分析的研究，承擔過眾多重量和省部級科研項目，具備從理論研究到工程應用的相關基礎。本書是對作者近五年研究成果的總結和梳理，書中介紹的理論和方法能夠很好地和實際應用結合在一起，行文流暢易讀，適合具有一定專業基礎的高年級本科生、研究生，以及相關領域的科研工作者和工程師閱讀。
數據分析的結構化表征學習 目錄
第 1 章 緒論 1
1．1 表征學習的概念 1
1．2 結構化表征學習基礎 2
1．2．1 結構化表征學習的基礎理論和方法 2
1．2．2 結構化表征學習的應用 7
參考文獻 8
第 2 章 塊對角低秩表征學習 11
2．1 低秩表征學習方法 12
2．2 塊對角低秩表征學習的方法設計 13
2．3 塊對角低秩表征學習的優化算法 15
2．4 識別算法的設計 18
2．5 塊對角低秩表征學習的算法分析 19
2．5．1 收斂性分析 19
2．5．2 計算時間復雜度 20
2．5．3 新樣本預測檢驗 20
2．6 與現有低秩表征學習方法的關系 22
2．6．1 與非負低秩表征稀疏方法的關系 22
2．6．2 與結構化稀疏低秩表征方法的關系 23
2．6．3 與監督正則化魯棒子空間方法的關系 24
2．7 實驗驗證 24
2．7．1 實驗設置 24
2．7．2 在人臉識別任務中的實驗結果 25
2．7．3 在字符識別任務中的實驗結果 28
2．7．4 在場景識別任務中的實驗結果 30
2．7．5 優勢分析 30
2．7．6 算法收斂性實驗驗證 32
2．7．7 算法參數敏感性經驗分析 32
2．8 本章小結 33
參考文獻 34
第3 章 判別性彈性網正則化回歸表征學習 38
3．1 *小二乘回歸方法 39
3．2 基于彈性網正則化的回歸表征學習模型 40
3．2．1 一種普適的彈性網正則化回歸表征學習框架 40
3．2．2 判別性彈性網正則化回歸表征學習模型 42
3．2．3 判別性彈性網正則化回歸表征學習的快速模型 43
3．3 模型優化求解和算法分類模型 44
3．3．1 模型的優化求解 44
3．3．2 判別性回歸表征空間的構造和算法分類模型 47
3．4 算法分析 48
3．4．1 與經典回歸模型的關系 48
3．4．2 時間復雜度和收斂性分析 48
3．5 實驗驗證 50
3．5．1 對比方法與實驗設置 50
3．5．2 在人臉識別任務中的實驗結果 51
3．5．3 在物體識別任務中的實驗結果 55
3．5．4 在場景識別任務中的實驗結果 55
3．5．5 與傳統的回歸表征學習模型進行對比分析 56
3．5．6 優化算法的收斂條件和參數敏感性經驗分析 57
3．5．7 算法效率分析 59
3．6 本章小結 60
參考文獻 61
第4 章 邊緣結構化表征學習 64
4．1 判別性*小二乘回歸方法 65
4．2 邊緣結構化表征學習模型 66
4．2．1 損失函數 66
4．2．2 算法復雜度正則項 67
4．2．3 自適應流形結構學習 68
4．3 邊緣結構化表征學習算法的優化策略 70
4．3．1 求解優化變量W、A 和B 70
4．3．2 求解優化變量R 71
4．3．3 求解優化變量P 72
4．4 半監督學習模型的擴展 74
4．5 邊緣結構化表征學習的算法分析 74
4．5．1 優化算法收斂性的理論分析 74
4．5．2 計算復雜度 75
4．6 實驗驗證 75
4．6．1 實驗設置 76
4．6．2 在物體識別任務中的實驗結果 77
4．6．3 在人臉識別任務中的實驗結果 79
4．6．4 在紋理識別任務中的實驗結果 81
4．6．5 在場景識別任務中的實驗結果 82
4．6．6 識別性能對比分析 83
4．6．7 算法參數敏感性經驗分析 85
4．6．8 算法收斂性實驗驗證 87
4．6．9 效率對比分析 88
4．7 本章小結 89
參考文獻 89
第5 章 基于聯合學習的二值多視圖表征學習 93
5．1 二值多視圖表征學習框架 95
5．1．1 二值多視圖聚類模型 95
5．1．2 高效的可擴展多視圖圖像聚類分析模型 96
5．2 高效的可擴展多視圖圖像聚類算法 99
5．3 高效的可擴展多視圖圖像聚類算法分析 102
5．3．1 收斂性分析 102
5．3．2 復雜度分析 103
5．4 實驗驗證 103
5．4．1 數據集和評估標準 103
5．4．2 中等規模多視圖數據實驗驗證 104
5．4．3 大規模多視圖數據實驗驗證 107
5．4．4 經驗性分析 108
5．4．5 可視化分析 113
5．5 本章小結 115
參考文獻 116
第6 章 基于靈活局部結構擴散的廣義不完整多視圖聚類 120
6．1 多視圖聚類方法 122
6．1．1 部分多視圖聚類 122
6．1．2 多個不完整視圖聚類 123
6．2 基于靈活局部結構擴散的廣義不完整多視圖聚類模型 123
6．2．1 單視圖個體表征學習 124
6．2．2 多視圖一致性表征學習 125
6．2．3 自適應加權多視圖學習 126
6．2．4 GIMC_FLSD 的總體目標函數 126
6．3 GIMC_FLSD 的優化算法 127
6．4 GIMC_FLSD 的理論分析 129
6．4．1 計算復雜度 129
6．4．2 收斂性分析 130
6．4．3 與其他方法的聯系 130
6．5 實驗驗證 131
6．5．1 實驗配置 131
6．5．2 實驗結果和分析 133
6．5．3 時間復雜度分析 137
6．5．4 參數靈敏度分析 139
6．5．5 收斂性分析 142
6．6 本章小結 143
參考文獻 143
第7 章 可擴展的監督非對稱哈希學習 148
7．1 哈希學習方法 149
7．2 可擴展的監督非對稱哈希學習模型 151
7．2．1 問題定義 151
7．2．2 方法解析 152
7．3 可擴展的監督非對稱哈希表征學習的優化算法 154
7．3．1 交替優化方法 154
7．3．2 收斂性分析 158
7．3．3 算法的樣本外擴展問題 158
7．4 實驗驗證 159
7．4．1 實驗數據 159
7．4．2 實驗設置 160
7．4．3 在CIFAR-10 圖像檢索數據集上的實驗結果 161
7．4．4 在Caltech-256 目標檢索數據集上的實驗結果 165
7．4．5 在SUN-397 場景檢索數據集上的實驗結果 167
7．4．6 在ImageNet 大規模數據集上的實驗結果 169
7．4．7 在NUS-WIDE 多實例數據集上的實驗結果 171
7．4．8 實驗分析和討論 173
7．5 本章小結 175
參考文獻 175
第8 章 深度語義協同哈希學習 181
8．1 哈希學習方法 182
8．2 深度語義協同哈希學習模型 184
8．2．1 問題定義 184
8．2．2 特征嵌入網絡 185
8．2．3 類別編碼網絡 186
8．2．4 構建語義不變結構 186
8．2．5 協同學習 187
8．3 深度語義協同哈希學習的優化算法設計 187
8．3．1 訓練策略分析 187
8．3．2 樣本擴展問題 188
8．4 實驗驗證 188
8．4．1 實驗設置 189
8．4．2 評估標準 189
8．4．3 在NUS-WIDE 數據集上的實驗結果 189
8．4．4 在MIRFlickr 數據集上的實驗結果 193
8．4．5 在CIFAR-10 數據集上的實驗結果 196
8．4．6 子模塊分析 198
8．4．7 參數敏感性分析和可視化結果 199
8．5 本章小結 200
參考文獻 201
第9 章 判別性費希爾嵌入字典學習 205
9．1 相關工作 207
9．1．1 符號定義 207
9．1．2 畫像定義 207
9．1．3 FDDL 算法 208
9．2 判別性費希爾嵌入字典學習算法 209
9．2．1 判別性費希爾原子嵌入模型 209
9．2．2 判別性費希爾系數嵌入模型 210
9．2．3 DFEDL 算法的目標函數 211
9．3 判別性費希爾嵌入字典學習的優化算法 211
9．4 算法對比與分析 213
9．4．1 DFEDL 算法與FDDL 算法的關系 214
9．4．2 時間復雜度分析 215
9．4．3 收斂性分析 215
9．5 實驗驗證 216
9．5．1 實驗配置 216
9．5．2 數據集描述 217
9．5．3 在深度特征數據集上的實驗結果 218
9．5．4 在手工數據集上的實驗結果 219
9．5．5 實驗結果分析 221
9．5．6 參數敏感性分析 222
9．5．7 實驗收斂性分析 223
9．5．8 不同原子數的影響 223
9．5．9 與深度學習模型的對比 224
9．6 本章小結 226
參考文獻 227
附錄 234
附錄A 引理9-1 及其證明過程 234
附錄B 引理9-2 及其證明過程 236
附錄C 定理9-1 及其證明過程 237
1．1 表征學習的概念 1
1．2 結構化表征學習基礎 2
1．2．1 結構化表征學習的基礎理論和方法 2
1．2．2 結構化表征學習的應用 7
參考文獻 8
第 2 章 塊對角低秩表征學習 11
2．1 低秩表征學習方法 12
2．2 塊對角低秩表征學習的方法設計 13
2．3 塊對角低秩表征學習的優化算法 15
2．4 識別算法的設計 18
2．5 塊對角低秩表征學習的算法分析 19
2．5．1 收斂性分析 19
2．5．2 計算時間復雜度 20
2．5．3 新樣本預測檢驗 20
2．6 與現有低秩表征學習方法的關系 22
2．6．1 與非負低秩表征稀疏方法的關系 22
2．6．2 與結構化稀疏低秩表征方法的關系 23
2．6．3 與監督正則化魯棒子空間方法的關系 24
2．7 實驗驗證 24
2．7．1 實驗設置 24
2．7．2 在人臉識別任務中的實驗結果 25
2．7．3 在字符識別任務中的實驗結果 28
2．7．4 在場景識別任務中的實驗結果 30
2．7．5 優勢分析 30
2．7．6 算法收斂性實驗驗證 32
2．7．7 算法參數敏感性經驗分析 32
2．8 本章小結 33
參考文獻 34
第3 章 判別性彈性網正則化回歸表征學習 38
3．1 *小二乘回歸方法 39
3．2 基于彈性網正則化的回歸表征學習模型 40
3．2．1 一種普適的彈性網正則化回歸表征學習框架 40
3．2．2 判別性彈性網正則化回歸表征學習模型 42
3．2．3 判別性彈性網正則化回歸表征學習的快速模型 43
3．3 模型優化求解和算法分類模型 44
3．3．1 模型的優化求解 44
3．3．2 判別性回歸表征空間的構造和算法分類模型 47
3．4 算法分析 48
3．4．1 與經典回歸模型的關系 48
3．4．2 時間復雜度和收斂性分析 48
3．5 實驗驗證 50
3．5．1 對比方法與實驗設置 50
3．5．2 在人臉識別任務中的實驗結果 51
3．5．3 在物體識別任務中的實驗結果 55
3．5．4 在場景識別任務中的實驗結果 55
3．5．5 與傳統的回歸表征學習模型進行對比分析 56
3．5．6 優化算法的收斂條件和參數敏感性經驗分析 57
3．5．7 算法效率分析 59
3．6 本章小結 60
參考文獻 61
第4 章 邊緣結構化表征學習 64
4．1 判別性*小二乘回歸方法 65
4．2 邊緣結構化表征學習模型 66
4．2．1 損失函數 66
4．2．2 算法復雜度正則項 67
4．2．3 自適應流形結構學習 68
4．3 邊緣結構化表征學習算法的優化策略 70
4．3．1 求解優化變量W、A 和B 70
4．3．2 求解優化變量R 71
4．3．3 求解優化變量P 72
4．4 半監督學習模型的擴展 74
4．5 邊緣結構化表征學習的算法分析 74
4．5．1 優化算法收斂性的理論分析 74
4．5．2 計算復雜度 75
4．6 實驗驗證 75
4．6．1 實驗設置 76
4．6．2 在物體識別任務中的實驗結果 77
4．6．3 在人臉識別任務中的實驗結果 79
4．6．4 在紋理識別任務中的實驗結果 81
4．6．5 在場景識別任務中的實驗結果 82
4．6．6 識別性能對比分析 83
4．6．7 算法參數敏感性經驗分析 85
4．6．8 算法收斂性實驗驗證 87
4．6．9 效率對比分析 88
4．7 本章小結 89
參考文獻 89
第5 章 基于聯合學習的二值多視圖表征學習 93
5．1 二值多視圖表征學習框架 95
5．1．1 二值多視圖聚類模型 95
5．1．2 高效的可擴展多視圖圖像聚類分析模型 96
5．2 高效的可擴展多視圖圖像聚類算法 99
5．3 高效的可擴展多視圖圖像聚類算法分析 102
5．3．1 收斂性分析 102
5．3．2 復雜度分析 103
5．4 實驗驗證 103
5．4．1 數據集和評估標準 103
5．4．2 中等規模多視圖數據實驗驗證 104
5．4．3 大規模多視圖數據實驗驗證 107
5．4．4 經驗性分析 108
5．4．5 可視化分析 113
5．5 本章小結 115
參考文獻 116
第6 章 基于靈活局部結構擴散的廣義不完整多視圖聚類 120
6．1 多視圖聚類方法 122
6．1．1 部分多視圖聚類 122
6．1．2 多個不完整視圖聚類 123
6．2 基于靈活局部結構擴散的廣義不完整多視圖聚類模型 123
6．2．1 單視圖個體表征學習 124
6．2．2 多視圖一致性表征學習 125
6．2．3 自適應加權多視圖學習 126
6．2．4 GIMC_FLSD 的總體目標函數 126
6．3 GIMC_FLSD 的優化算法 127
6．4 GIMC_FLSD 的理論分析 129
6．4．1 計算復雜度 129
6．4．2 收斂性分析 130
6．4．3 與其他方法的聯系 130
6．5 實驗驗證 131
6．5．1 實驗配置 131
6．5．2 實驗結果和分析 133
6．5．3 時間復雜度分析 137
6．5．4 參數靈敏度分析 139
6．5．5 收斂性分析 142
6．6 本章小結 143
參考文獻 143
第7 章 可擴展的監督非對稱哈希學習 148
7．1 哈希學習方法 149
7．2 可擴展的監督非對稱哈希學習模型 151
7．2．1 問題定義 151
7．2．2 方法解析 152
7．3 可擴展的監督非對稱哈希表征學習的優化算法 154
7．3．1 交替優化方法 154
7．3．2 收斂性分析 158
7．3．3 算法的樣本外擴展問題 158
7．4 實驗驗證 159
7．4．1 實驗數據 159
7．4．2 實驗設置 160
7．4．3 在CIFAR-10 圖像檢索數據集上的實驗結果 161
7．4．4 在Caltech-256 目標檢索數據集上的實驗結果 165
7．4．5 在SUN-397 場景檢索數據集上的實驗結果 167
7．4．6 在ImageNet 大規模數據集上的實驗結果 169
7．4．7 在NUS-WIDE 多實例數據集上的實驗結果 171
7．4．8 實驗分析和討論 173
7．5 本章小結 175
參考文獻 175
第8 章 深度語義協同哈希學習 181
8．1 哈希學習方法 182
8．2 深度語義協同哈希學習模型 184
8．2．1 問題定義 184
8．2．2 特征嵌入網絡 185
8．2．3 類別編碼網絡 186
8．2．4 構建語義不變結構 186
8．2．5 協同學習 187
8．3 深度語義協同哈希學習的優化算法設計 187
8．3．1 訓練策略分析 187
8．3．2 樣本擴展問題 188
8．4 實驗驗證 188
8．4．1 實驗設置 189
8．4．2 評估標準 189
8．4．3 在NUS-WIDE 數據集上的實驗結果 189
8．4．4 在MIRFlickr 數據集上的實驗結果 193
8．4．5 在CIFAR-10 數據集上的實驗結果 196
8．4．6 子模塊分析 198
8．4．7 參數敏感性分析和可視化結果 199
8．5 本章小結 200
參考文獻 201
第9 章 判別性費希爾嵌入字典學習 205
9．1 相關工作 207
9．1．1 符號定義 207
9．1．2 畫像定義 207
9．1．3 FDDL 算法 208
9．2 判別性費希爾嵌入字典學習算法 209
9．2．1 判別性費希爾原子嵌入模型 209
9．2．2 判別性費希爾系數嵌入模型 210
9．2．3 DFEDL 算法的目標函數 211
9．3 判別性費希爾嵌入字典學習的優化算法 211
9．4 算法對比與分析 213
9．4．1 DFEDL 算法與FDDL 算法的關系 214
9．4．2 時間復雜度分析 215
9．4．3 收斂性分析 215
9．5 實驗驗證 216
9．5．1 實驗配置 216
9．5．2 數據集描述 217
9．5．3 在深度特征數據集上的實驗結果 218
9．5．4 在手工數據集上的實驗結果 219
9．5．5 實驗結果分析 221
9．5．6 參數敏感性分析 222
9．5．7 實驗收斂性分析 223
9．5．8 不同原子數的影響 223
9．5．9 與深度學習模型的對比 224
9．6 本章小結 226
參考文獻 227
附錄 234
附錄A 引理9-1 及其證明過程 234
附錄B 引理9-2 及其證明過程 236
附錄C 定理9-1 及其證明過程 237
展開全部
數據分析的結構化表征學習 作者簡介
張正，哈爾濱工業大學（深圳）副教授、博士生導師，深圳市視覺目標檢測與判識重點實驗室副主任，IEEE會員，深圳市海外高層次人才。研究方向為機器學習、計算機視覺和多媒體分析， 已發表學術論文100 多篇。博士論文入選中國電子學會優秀博士學位論文。擔任多個期刊編委和會議領域主席及高級程序委員會委員。徐勇，哈爾濱工業大學（深圳）教授、博士生導師，長江學者特聘教授。研究方向為模式識別、生物特征識別、圖像處理、深度學習、生物信息學。發表JCR 一區論文100 余篇， 近5年連續入選Elsevier中國高被引學者，并入選“廣東省特支計劃”“鵬城學者計劃”“新世紀優秀人才支持計劃”等人才計劃。盧光明，哈爾濱工業大學（深圳）教授、博士生導師、計算機學院副院長，深圳市高層次人才。研究方向為機器學習、計算機視覺、醫學圖像 信號處理，曾獲黑龍江省自然科學一等獎等獎項，獲發明專利授權近20 項，出版國際學術專著2 部，發表學術論文100 余篇。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
月亮虎
- >
中國歷史的瞬間
- >
有舍有得是人生
- >
經典常談
- >
名家帶你讀魯迅:故事新編
- >
月亮與六便士
- >
姑媽的寶刀
本類暢銷
