开放环境下的度量学习研究

图书标准信息

• 作者 叶翰嘉
• 出版社 机械工业出版社
• 出版时间 2022-12
• 版次 1
• ISBN 9787111713678
• 定价 47.00元
• 装帧 其他
• 开本 32开
• 纸张 胶版纸
• 页数 248页
• 字数 147千字

【内容简介】

《开放环境下的度量学习研究》由南京大学人工智能学院副研究员叶翰嘉撰写，内容荣获2021年度CCF优秀博士学位论文奖。全书以模型在开放环境下输入、输出层面上面临的挑战为切入点，提出针对或利用度量学习特性的具体算法，从理论和应用等多个角度使度量学习的研究能够契合开放的环境。
  《开放环境下的度量学习研究》共七章：
  第1章 绪论，主要介绍了度量学习、开放环境的特点、开放环境的研究进展以及全书的概要。
  第2章 度量学习研究进展，首先介绍了监督学习和度量学习；然后讲解了三种度量学习的相关算法，包括全局度量学习方法、多度量学习方法、高效度量学习方法；*后介绍了开放环境下度量学习的研究思路。
  第3章 开放环境下度量学习的样本复杂度分析，首先展示了现有的度量学习理论结果，然后提出了基于函数性质的度量学习样本复杂度的改进方案，以及基于度量重用的度量学习样本复杂度的改进方案。
  第4章 基于度量学习和语义映射的异构模型修正，首先介绍了相关工作；其次介绍了基于度量语义映射的模型重用框架REFORM；然后介绍了实现模型重用框架REFORM的具体方法，包括自适应尺度的REFORM实现方法、学习变换的REFORM实现方法；*后展示了用于验证的实验流程和结果。
  第5章 多语义环境下的多度量学习方法探究，首先介绍了多度量学习方法的相关工作；其次介绍了考虑多语义的多度量学习方法；然后介绍了多度量自适应选择框架；*后展示了用于验证的实验流程和结果。
  第6章 考虑噪声影响的开放环境鲁棒度量学习，首先介绍了相关工作；然后介绍了考虑样本扰动的鲁棒度量学习DRIFT；*后展示了用于验证的实验流程和结果。
  第7章 总结与展望，总结了全书的研究内容，并对未来的研究方向和研究工作做出了展望。

【作者简介】

叶翰嘉，南京大学人工智能学院副研究员，在南京大学机器学习与数据挖掘研究所（LAMDA）从事学术研究工作。主要研究方向包括表示学习、元学习、模型复用等领域，相关研究成果已经在开放环境系统、小样本系统等实际场景下进行使用。在人工智能、机器学习领域以第一作者身份发表学术论文二十余篇；担任多个国内外顶级学术期刊会议的审稿人；曾获得2021年度CCF优秀博士学位论文奖、江苏省计算机学会青年科技奖，被评为华为“耀星学者”。

【目录】

第1章 绪论

 1.1 引言 1

 1.2 度量学习简介 4

 1.3 开放环境的特点 8

 1.4 开放环境的研究进展 11

 1.5 本书概要 12

第2章 度量学习研究进展

 2.1 监督学习 15

 2.2 度量学习 18

  2.2.1 距离度量 18

  2.2.2 度量学习的学习目标 20

  2.2.3 度量学习算法评测 22

 2.3 度量学习的相关算法 23

  2.3.1 全局度量学习方法 23

  2.3.2 多度量学习方法 24

  2.3.3 高效度量学习方法 26

 2.4 开放环境下度量学习的研究思路 27

第3章 开放环境下度量学习的样本复杂度分析

 3.1 引言 31

 3.2 现有的度量学习理论结果 35

 3.3 基于函数性质的度量学习样本复杂度改进 38

  3.3.1 基本定义 38

  3.3.2 主要结论及讨论 39

 3.4 基于度量重用的度量学习样本复杂度 44

 3.5 实验验证 48

 3.6 本章小结 63

第4章 基于度量学习和语义映射的异构模型修正

 4.1 引言 65

 4.2 相关工作 68

 4.3 基于度量语义映射的模型重用框架REFORM 70

  4.3.1 符号表示 70

  4.3.2 同构空间中的模型重用 71

  4.3.3 异构特征空间中的重用模型 73

  4.3.4 代价矩阵和特征元表示 75

  4.3.5 EMIT：编码特征元信息 77

 4.4 模型重用框架REFORM的具体实现 80

  4.4.1 自适应尺度的REFORM实现方法 81

  4.4.2 学习变换的REFORM实现方法 83

 4.5 实验验证 84

  4.5.1 不同参数设置下人造数据集的分类任务 85

  4.5.2 不同时间段下的用户质量分类 89

  4.5.3 不同时间段下的论文主题分类 91

 4.6 本章小结 93

第5章 多语义环境下的多度量学习方法探究

 5.1 引言 95

 5.2 多度量学习方法的相关工作 100

 5.3 考虑多语义的多度量学习方法UM2L 101

  5.3.1 统一的多度量学习框架 102

  5.3.2 基于算子k引申出的多样化语义 104

  5.3.3 UM2L统一的求解算法 108

  5.3.4 UM2L的泛化性能分析 112

  5.3.5 UM2L的深度度量学习扩展 114

 5.4 多度量自适应选择框架LIFT 115

  5.4.1 LIFT框架的主要思想与讨论 115

  5.4.2 LIFT框架的理论分析 118

  5.4.3 LIFT框架优化策略 125 

  5.4.4 LIFT方法的全局度量版本 135

 5.5 实验验证 135

  5.5.1 分类性能测试 136

  5.5.2 UM2L在不同类型实际问题中的应用 141

  5.5.3 LIFT自适应性验证 153

 5.6 本章小结 158

第6章 考虑噪声影响的开放环境鲁棒度量学习

 6.1 引言 160

 6.2 相关工作 163

 6.3 考虑样本扰动的鲁棒度量学习DRIFT 164

  6.3.1 度量学习中的样本噪声扰动 165

  6.3.2 DRIFT的优化方法 169

  6.3.3 DRIFT算法的优化加速 173

 6.4 实验验证 175

  6.4.1 人造数据集上的可视化实验 176

  6.4.2 实验数据集上的算法性能比较 177

  6.4.3 算法的鲁棒性测试 181

 6.5 本章小结 185

第7章 总结与展望

 7.1 本书工作总结 188

 7.2 未来研究展望 191