数据分析的结构化表征学习
全新正版 极速发货
￥ 100.06 6.7折 ￥ 149 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者张正,徐勇,卢光明
出版社人民邮电出版社
ISBN9787115584014
出版时间2022-11
装帧精装
开本16开
定价149元
货号1202762683
上书时间2024-07-02
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
张正，哈尔滨工业大学（深圳）副教授、博士生导师，深圳市视觉目标检测与判识重点实验室副主任，IEEE会员，深圳市海外高层次人才。研究方向为机器学习、计算机视觉和多媒体分析， 已发表学术论文100 多篇。博士论文入选中国电子学会优秀博士学位论文。担任多个期刊编委和会议领域主席及高级程序委员会委员。
徐勇，哈尔滨工业大学（深圳）教授、博士生导师，长江学者特聘教授。研究方向为模式识别、生物特征识别、图像处理、深度学习、生物信息学。发表JCR 一区论文100 余篇， 近5年连续入选Elsevier中国高被引学者，并入选“广东省特支计划”“鹏城学者计划”“新世纪优秀人才支持计划”等人才计划。
卢光明，哈尔滨工业大学（深圳）教授、博士生导师、计算机学院副院长，深圳市高层次人才。研究方向为机器学习、计算机视觉、医学图像/ 信号处理，曾获黑龙江省自然科学一等奖等奖项，获发明专利授权近20 项，出版国际学术专著2 部，发表学术论文100 余篇。
目录
第1章绪论1
1.1表征学习的概念1
1.2结构化表征学习基础2
1.2.1结构化表征学习的基础理论和方法2
1.2.2结构化表征学习的应用7
参考文献8
第2章块对角低秩表征学习11
2.1低秩表征学习方法12
2.2块对角低秩表征学习的方法设计13
2.3块对角低秩表征学习的优化算法15
2.4识别算法的设计18
2.5块对角低秩表征学习的算法分析19
2.5.1收敛性分析19
2.5.2计算时间复杂度20
2.5.3新样本预测检验20
2.6与现有低秩表征学习方法的关系22
2.6.1与非负低秩表征稀疏方法的关系22
2.6.2与结构化稀疏低秩表征方法的关系23
2.6.3与监督正则化鲁棒子空间方法的关系24
2.7实验验证24
2.7.1实验设置24
2.7.2在人脸识别任务中的实验结果25
2.7.3在字符识别任务中的实验结果28
2.7.4在场景识别任务中的实验结果30
2.7.5优势分析30
2.7.6算法收敛性实验验证32
2.7.7算法参数敏感性经验分析32
2.8本章小结33
参考文献34
第3章判别性弹性网正则化回归表征学习38
3.1最小二乘回归方法39
3.2基于弹性网正则化的回归表征学习模型40
3.2.1一种普适的弹性网正则化回归表征学习框架40
3.2.2判别性弹性网正则化回归表征学习模型42
3.2.3判别性弹性网正则化回归表征学习的快速模型43
3.3模型优化求解和算法分类模型44
3.3.1模型的优化求解44
3.3.2判别性回归表征空间的构造和算法分类模型47
3.4算法分析48
3.4.1与经典回归模型的关系48
3.4.2时间复杂度和收敛性分析48
3.5实验验证50
3.5.1对比方法与实验设置50
3.5.2在人脸识别任务中的实验结果51
3.5.3在物体识别任务中的实验结果55
3.5.4在场景识别任务中的实验结果55
3.5.5与传统的回归表征学习模型进行对比分析56
3.5.6优化算法的收敛条件和参数敏感性经验分析57
3.5.7算法效率分析59
3.6本章小结60
参考文献61
第4章边缘结构化表征学习64
4.1判别性最小二乘回归方法65
4.2边缘结构化表征学习模型66
4.2.1损失函数66
4.2.2算法复杂度正则项67
4.2.3自适应流形结构学习68
4.3边缘结构化表征学习算法的优化策略70
4.3.1求解优化变量W、A和B70
4.3.2求解优化变量R71
4.3.3求解优化变量P72
4.4半监督学习模型的扩展74
4.5边缘结构化表征学习的算法分析74
4.5.1优化算法收敛性的理论分析74
4.5.2计算复杂度75
4.6实验验证75
4.6.1实验设置76
4.6.2在物体识别任务中的实验结果77
4.6.3在人脸识别任务中的实验结果79
4.6.4在纹理识别任务中的实验结果81
4.6.5在场景识别任务中的实验结果82
4.6.6识别性能对比分析83
4.6.7算法参数敏感性经验分析85
4.6.8算法收敛性实验验证87
4.6.9效率对比分析88
4.7本章小结89
参考文献89
第5章基于联合学习的二值多视图表征学习93
5.1二值多视图表征学习框架95
5.1.1二值多视图聚类模型95
5.1.2高效的可扩展多视图图像聚类分析模型96
5.2高效的可扩展多视图图像聚类算法99
5.3高效的可扩展多视图图像聚类算法分析102
5.3.1收敛性分析102
5.3.2复杂度分析103
5.4实验验证103
5.4.1数据集和评估标准103
5.4.2中等规模多视图数据实验验证104
5.4.3大规模多视图数据实验验证107
5.4.4经验性分析108
5.4.5可视化分析113
5.5本章小结115
参考文献116
第6章基于灵活局部结构扩散的广义不完整多视图聚类120
6.1多视图聚类方法122
6.1.1部分多视图聚类122
6.1.2多个不完整视图聚类123
6.2基于灵活局部结构扩散的广义不完整多视图聚类模型123
6.2.1单视图个体表征学习124
6.2.2多视图一致性表征学习125
6.2.3自适应加权多视图学习126
6.2.4GIMC_FLSD的总体目标函数126
6.3GIMC_FLSD的优化算法127
6.4GIMC_FLSD的理论分析129
6.4.1计算复杂度129
6.4.2收敛性分析130
6.4.3与其他方法的联系130
6.5实验验证131
6.5.1实验配置131
6.5.2实验结果和分析133
6.5.3时间复杂度分析137
6.5.4参数灵敏度分析139
6.5.5收敛性分析142
6.6本章小结143
参考文献143
第7章可扩展的监督非对称哈希学习148
7.1哈希学习方法149
7.2可扩展的监督非对称哈希学习模型151
7.2.1问题定义151
7.2.2方法解析152
7.3可扩展的监督非对称哈希表征学习的优化算法154
7.3.1交替优化方法154
7.3.2收敛性分析158
7.3.3算法的样本外扩展问题158
7.4实验验证159
7.4.1实验数据159
7.4.2实验设置160
7.4.3在CIFAR-10图像检索数据集上的实验结果161
7.4.4在Caltech-256目标检索数据集上的实验结果165
7.4.5在SUN-397场景检索数据集上的实验结果167
7.4.6在ImageNet大规模数据集上的实验结果169
7.4.7在NUS-WIDE多实例数据集上的实验结果171
7.4.8实验分析和讨论173
7.5本章小结175
参考文献175
第8章深度语义协同哈希学习181
8.1哈希学习方法182
8.2深度语义协同哈希学习模型184
8.2.1问题定义184
8.2.2特征嵌入网络185
8.2.3类别编码网络186
8.2.4构建语义不变结构186
8.2.5协同学习187
8.3深度语义协同哈希学习的优化算法设计187
8.3.1训练策略分析187
8.3.2样本扩展问题188
8.4实验验证188
8.4.1实验设置189
8.4.2评估标准189
8.4.3在NUS-WIDE数据集上的实验结果189
8.4.4在MIRFlickr数据集上的实验结果193
8.4.5在CIFAR-10数据集上的实验结果196
8.4.6子模块分析198
8.4.7参数敏感性分析和可视化结果199
8.5本章小结200
参考文献201
第9章判别性费希尔嵌入字典学习205
9.1相关工作207
9.1.1符号定义207
9.1.2画像定义207
9.1.3FDDL算法208
9.2判别性费希尔嵌入字典学习算法209
9.2.1判别性费希尔原子嵌入模型209
9.2.2判别性费希尔系数嵌入模型210
9.2.3DFEDL算法的目标函数211
9.3判别性费希尔嵌入字典学习的优化算法211
9.4算法对比与分析213
9.4.1DFEDL算法与FDDL算法的关系214
9.4.2时间复杂度分析215
9.4.3收敛性分析215
9.5实验验证216
9.5.1实验配置216
9.5.2数据集描述217
9.5.3在深度特征数据集上的实验结果218
9.5.4在手工数据集上的实验结果219
9.5.5实验结果分析221
9.5.6参数敏感性分析222
9.5.7实验收敛性分析223
9.5.8不同原子数的影响223
9.5.9与深度学习模型的对比224
9.6本章小结226
参考文献227
附录234
附录A引理9-1及其证明过程234
附录B引理9-2及其证明过程236
附录C定理9-1及其证明过程237
内容摘要
结构化表征学习是机器学习研究的核心问题之一，旨在探索如何从高维可观测数据中获取有效的结构化信息表示，以实现高精度、鲁棒、快速的数据分析，是由数据到知识的关键渠道。本书重点介绍如何从具有不确定性的海量大媒体数据中挖掘和提取结构化、鲁棒、高效的特征，并实现高性能的信息挖掘和知识推断。本书内容包含近年来涌现的一些高效、鲁棒的结构化表征学习模型，介绍了基于鲁棒且紧凑的表征学习的一体化表征学习理论和方法，并为应对真实世界中的数据分析任务，如数据简约特征表达、紧凑特征压缩、有效特征筛选以及隐含知识挖掘等，提供了较为全面且切实可靠的解决方案。本书作者所在的团队多年来一直从事机器学习、计算机视觉、多媒体分析的研究，承担过众多重量和省部级科研项目，具备从理论研究到工程应用的相关基础。本书是对作者近五年研究成果的总结和梳理，书中介绍的理论和方法能够很好地和实际应用结合在一起，行文流畅易读，适合具有一定专业基础的高年级本科生、研究生，以及相关领域的科研工作者和工程师阅读。
主编推荐
1.哈工大（深圳）研究团队多年成果及经验总结；
2.聚焦从不确定性的大数据中提取结构化特征——覆盖广泛数据对象类型；
3.可实现高性能的信息挖掘和知识推断——大大提升多种人工智能应用的效率；
4.介绍大规模多源数据的视觉分析理论和方法，支撑数据聚类分析等方面的研究和应用；
5.构建“基础理论->模型与方法->学习算法->实际应用”循序渐进的体系，帮助读者扎实掌握理论与算法。
— 没有更多了 —
以下为对购买帮助不大的评价