本书主要介绍多视图学习的产生背景、存在的主要问题和相应的解决方案。针对实时产生且信息可变、有效样本信息不足、多种样本信息之间关联复杂等特殊样本形式的多视图数据集，本书逐一提出可行的方案并加以对比，深入浅出地描述了这些方案的优势、劣势和应用场景。
样章试读
目录
- 目录
《博士后文库》序言
前言
第1章 背景 1
第2章 主要问题 4
2.1 实时产生且信息可变 4
2.2 有效样本信息不足 4
2.2.1 有标签样本数目不足 5
2.2.2 信息缺失 5
2.3 多种样本信息之间关联复杂 5
2.4 问题展开及本书工作 6
第3章 半监督在线多视图学习机 8
3.1 引言 8
3.1.1 传统多视图学习及其问题 8
3.1.2 OPMV的提出 9
3.1.3 OPMV的问题 9
3.1.4 SSOPMV的提出 10
3.2 在线多视图学习 10
3.2.1 OPMV 10
3.2.2 模型优化 11
3.3 半监督在线多视图学习机 12
3.3.1 通过Universum创建额外无标签样本 13
3.3.2 SSOPMV的实现 15
3.4 实验 16
3.4.1 实验设置 16
3.4.2 在不经常更新的多视图数据集上的测试准确率比较 19
3.4.3 在经常更新的多视图数据集上的测试准确率比较 21
3.4.4 不同的额外无标签样本生成方法之间的比较 21
3.4.5 在线学习相关的学习机与整体存储相关的学习机的对比 22
3.4.6 有标签样本的百分比对学习机性能影响 24
3.4.7 ?t的影响 25
3.5 本章小结 26
第4章 具有可变特征和视图的半监督在线多视图学习机 27
4.1 引言 27
4.1.1 传统的多视图学习机存在的问题 27
4.1.2 传统多视图学习机问题的解决方案 28
4.1.3 SOMVFV的提出、创新点、动机和贡献 29
4.2 相关工作 29
4.2.1 半监督学习机 29
4.2.2 在线学习机 30
4.2.3 具有可变特征或视图的多视图学习机 30
4.3 具有可变特征和视图的半监督在线多视图学习 31
4.4 实验 37
4.4.1 实验设置 37
4.4.2 在单视图小规模数据集上分类性能的比较 41
4.4.3 在单视图大规模数据集上分类性能的比较 43
4.4.4 在多视图小规模数据集上分类性能的比较 45
4.4.5 在多视图大规模数据集上分类性能的比较 47
4.5 本章小结 47
第5章 具有Universum的基于秩一致性的多视图学习 49
5.1 引言 49
5.1.1 问题和解决方法 49
5.1.2 RANCU的提出和优势 49
5.2 实验 50
5.2.1 实验设置 50
5.2.2 实验内容 51
5.3 本章小结 54
第6章 改进的具有五层样本信息的多矩阵学习机 55
6.1 引言 55
6.1.1 背景介绍 55
6.1.2 动机和提出 55
6.1.3 贡献 56
6.2 使用五种样本信息提升多矩阵分类器性能 56
6.2.1 创建IBU样本 56
6.2.2 IMMFI框架 57
6.3 实验 58
6.3.1 实验设置 58
6.3.2 分类性能的比较 59
6.3.3 验证IMMFI在跟踪问题中的有效性 60
6.4 本章小结 60
第7章 基于权重的无标签多视图数据集生成方法 62
7.1 引言 62
7.1.1 背景介绍 62
7.1.2 提出、动机和贡献 63
7.2 基于权重的未知标签多视图数据集生成方法 63
7.2.1 基于WMVC获得视图和特征的权重 63
7.2.2 获得每个已知标签的多视图样本的相似样本 64
7.2.3 生成可行的未知标签的多视图数据集 65
7.3 实验 66
7.3.1 实验设置 66
7.3.2 现实数据集的性能比较 66
7.4 本章小结 74
第8章 基于权重和Universum的半监督多视图学习机 76
8.1 引言 76
8.1.1 重要性体现 76
8.1.2 研究问题 77
8.1.3 研究目标 78
8.1.4 WUSM模型的提出、动机和独创性 79
8.1.5 贡献 79
8.2 相关工作 80
8.2.1 半监督多视图学习机 80
8.2.2 Universum学习 80
8.2.3 构造Universum集的方法 81
8.3 基于权重和Universum的半监督多视图学习机 81
8.3.1 构建WUSM的步骤 81
8.3.2 视图和特征的应用 83
8.3.3 计算复杂度分析 83
8.3.4 收敛性 83
8.3.5 WUSM的优势 84
8.4 实验 84
8.4.1 实验设置 84
8.4.2 不同应用间性能比较 86
8.5 本章小结 88
第9章 新的具有不完整数据的多视图学习机 90
9.1 引言 90
9.1.1 背景介绍 90
9.1.2 经典的学习机 90
9.1.3 问题 91
9.1.4 相应的解决方案 91
9.1.5 贡献 91
9.2 MVL-IV框架 92
9.3 具有不完整数据的多视图学习机 92
9.3.1 数据准备 92
9.3.2 目标及模型 93
9.3.3 模型实现 94
9.3.4 最终流程 95
9.4 实验 96
9.4.1 实验设置 96
9.4.2 回归问题的比较 97
9.4.3 关于二分排名问题的比较 102
9.4.4 关于图像搜索问题的比较 103
9.4.5 计算复杂度比较 105
9.5 本章小结 107
第10章 具有不完整视图和标签的多视图多标签学习 108
10.1 引言 108
10.1.1 多视图多标签数据集 108
10.1.2 传统的多视图多标签学习机存在的问题及解决方案 108
10.1.3 目标 110
10.1.4 独创性和贡献 110
10.2 具有不完整视图和标签的多视图多标签学习 111
10.2.1 数据准备 111
10.2.2 具有标签特定特征的多视图多标签学习 111
10.2.3 具有不完整标签的多视图多标签学习 112
10.2.4 具有不完整视图的多视图多标签学习 112
10.2.5 具有全局和局部关联的多视图多标签学习 113
10.2.6 基于不同视图补充信息的多视图多标签学习 114
10.2.7 MVML-IVL最终的目标函数 114
10.2.8 实现 114
10.3 实验 115
10.3.1 实验设置 115
10.3.2 实验结果 119
10.4 本章小结 123
第11章 基于权重的典型稀疏跨视图关联分析 124
11.1 引言 124
11.1.1 背景介绍 124
11.1.2 动机 125
11.1.3 贡献 126
11.2 相关工作 126
11.2.1 典型的稀疏跨视图关联分析 126
11.2.2 全局和局部典型关联分析 127
11.3 基于权重的典型稀疏跨视图关联分析 128
11.3.1 基于权重的典型稀疏跨视图关联分析 128
11.3.2 核化的WCSCCA 130
11.4 实验 131
11.4.1 实验设置 131
11.4.2 在多特征数据集上性能比较 133
11.4.3 在面部数据集上性能比较 137
11.5 本章小结 140
第12章 全局和局部多视图多标签学习 142
12.1 引言 142
12.1.1 三种经典数据集 142
12.1.2 传统解决方案 142
12.1.3 存在问题 144
12.1.4 相应解决方案 144
12.1.5 独创性及贡献 144
12.2 全局和局部多视图多标签学习 144
12.2.1 数据准备 144
12.2.2 框架 145
12.2.3 解决方案 148
12.2.4 计算复杂度 149
12.3 实验 149
12.3.1 实验设置 149
12.3.2 实验结果 150
12.4 本章小结 159
第13章 当前工作的不足 160
第14章 未来的可研究方向 162
14.1 有约束多关联信息衡量算法 162
14.2 基于量质平衡模型及信息熵的信息增强算法 162
14.3 基于可变信息的多视图在线学习机 163
参考文献 165
编后记 189
彩图
京公网安备 11010102004214号