集成多標簽學習方法

夏躍龍、唐明靖

集成多標簽學習方法 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2025-03-01
  • 定價: $354
  • 售價: 8.5 折 $301
  • 語言: 簡體中文
  • 頁數: 158
  • ISBN: 7302682364
  • ISBN-13: 9787302682363
  • 相關分類: Machine Learning

    • 立即出貨 (庫存 < 4)

  • 集成多標簽學習方法-preview-1
  • 集成多標簽學習方法-preview-2
  • 集成多標簽學習方法-preview-3
集成多標簽學習方法-preview-1

買這商品的人也買了...

中文年末書展｜繁簡參展書2書75折 詳見活動內容 »

相關主題

商品描述

"隨著社會需求的變化，越來越多的人工智能應用涉及多標簽學習問題，如文本分類、語義標註、社交網絡、基因預測和疾病診療等，多標簽學習已成為當前人工智能領域的研究熱點之一。本書基於集成學習相關理論，圍繞多標簽局部依賴、多標簽缺失補全、極端量級多標簽學習、長尾多標簽學習和開放詞多標簽學習等一系列問題進行展開，提出了一系列高效的集成多標簽學習方法。我們提出了一種集成多標簽學習方法，該方法巧妙融合了多標簽學習與集成學習的優勢，旨在剋服傳統多標簽學習在多樣化應用場景中面臨的挑戰。本書將詳細闡述方法在不同實際場景下的具體解決方案及其背後的技術支撐，同時，通過展示一些典型的實際應用問題解決案例，來驗證提出方法在處理復雜、多維度標簽任務上的優越性，為相關領域的研究與應用提供了寶貴的參考和啟示。 本書可作為高等院校電腦科學、人工智能及機器學習專業師生的教學參考書，也可為大數據處理、人工智能應用開發領域的專業人員、科技工作者及研究人員提供寶貴的實踐指南與理論參考。"

目錄大綱

 

目錄

 

 

 

 

第1章緒論

 

1.1背景及意義

 

1.2多標簽學習研究現狀

 

1.2.1傳統多標簽學習方法

 

1.2.2深度多標簽學習方法

 

1.3多標簽學習評估標準

 

1.4多標簽學習面臨的挑戰

 

1.5本章小結

 

第2章集成多標簽學習相關理論

 

2.1集成學習相關理論

 

2.1.1偏差方差分解

 

2.1.2統計、計算和表示

 

2.1.3多樣性

 

2.2集成學習研究現狀

 

2.2.1傳統集成學習

 

2.2.2深度集成學習

 

2.3需要考慮的兩個問題

 

2.4集成多標簽學習方法

 

2.5本書組織結構

 

第3章基於加權堆疊選擇集成的傳統多標簽學習

 

3.1引言

 

3.2問題描述

 

3.3MLWSE算法設計

 

3.3.1加權的堆疊集成

 

3.3.2基於稀疏正則的分類器選擇

 

3.3.3標簽依賴關系的建模

 

3.3.4多標簽的預測

 

3.4MLWSE算法優化

 

3.4.1MLWSEL1優化

 

3.4.2MLWSEL21優化

 

3.5實驗結果與分析

 

3.5.12D模擬實驗

 

3.5.2Benchmark基準實驗

 

3.5.3Realworld數據實驗

 

3.5.4Friedman檢驗分析

 

3.5.5參數敏感性分析

 

3.5.6收斂性分析

 

3.6本章小結

 

第4章基於流形子空間集成的不完全多標簽學習

 

4.1引言

 

4.2問題描述

 

4.3BDMCEMR算法描述

 

4.3.1聯合的共嵌入學習

 

4.3.2共享的標簽嵌入

 

4.3.3集成的流形正則嵌入

 

4.3.4雙向矩陣補全

 

4.4BDMCEMR相關理論分析

 

4.5BDMCEMR算法優化

 

4.6實驗結果與分析

 

4.6.12D模擬實驗

 

4.6.2直推式不完全多標簽學習

 

4.6.3歸納式不完全多標簽學習

 

4.6.4Friedman檢驗分析

 

4.6.5參數敏感性分析

 

4.6.6時間復雜度分析

 

4.7本章小結

 

第5章基於不同表徵網絡集成的極端多標簽學習

 

5.1引言 

 

5.2問題描述

 

5.3HybridRCNN框架

 

5.3.1空間語義信息表徵

 

5.3.2時序語義信息表徵

 

5.3.3自適應權重集成預測

 

5.4改進的MultiVTransformer框架

 

5.4.1多視圖註意力Transformer表徵

 

5.4.2極端多標簽聚類學習

 

5.4.3約簡的標簽集嵌入學習

 

5.4.4集成的MultiVTransformer預測

 

5.5中間量級多標簽文本實驗分析

 

5.5.1實驗設置

 

5.5.2CNNRNN集成結構比較

 

5.5.3註意力機制網絡結構比較

 

5.5.4HybridRCNN消融分析

 

5.5.5HybridRCNN可視化分析

 

5.5.6HybridRCNN時間復雜度比較

 

5.6極端量級多標簽文本實驗分析

 

5.6.1實驗設置

 

5.6.2極端多標簽實驗比較

 

5.6.3MultiVTransformer集成消融分析

 

5.6.4MultiVTransformer聚類學習分析

 

5.7本章小結

 

第6章基於自蒸餾集成網絡的長尾多標簽學習

 

6.1引言

 

6.2問題描述

 

6.3監督的OLSD自蒸餾集成框架

 

6.3.1特徵一致性表徵學習

 

6.3.2平衡自蒸餾向導知識遷移

 

6.3.3傾向尾類多數的Mixup增強

 

6.3.4相關理論分析

 

6.4改進的自監督DSSED表徵蒸餾集成框架

 

6.4.1Mixup對比表徵學習

 

6.4.2最大化互信息表徵蒸餾

 

6.4.3logits補償多標簽分類器學習

 

6.4.4相關理論分析

 

6.5監督OLSD實驗結果與分析

 

6.5.1實驗設置

 

6.5.2單標簽長尾數據實驗分析

 

6.5.3多標簽長尾數據實驗分析

 

6.6自監督DSSED實驗結果與分析

 

6.6.1自監督DSSED表徵性能實驗分析

 

6.6.2下遊Manyshot和Fewshot任務實驗分析

 

6.6.3下遊長尾可視化識別任務實驗分析

 

6.6.4下遊目標檢測及語義分割任務實驗分析

 

6.7本章小結

 

第7章基於多模態知識集成的開放詞多標簽學習

 

7.1引言

 

7.2問題描述

 

7.3多模態知識集成的開放詞多標簽學習框架

 

7.3.1多標簽知識蒸餾

 

7.3.2多模態原型對比表徵蒸餾模塊

 

7.3.3多模態交叉圖像結構對比蒸餾模塊

 

7.3.4動態的多標簽原型校正

 

7.4實驗結果與分析

 

7.4.1實驗設置

 

7.4.2與蒸餾方法實驗比較

 

7.4.3與非蒸餾方法實驗比較

 

7.4.4可視化註意力圖

 

7.4.5原型校正可視化分析

 

7.5本章小結

 

第8章總結和展望

 

8.1本書總結

 

8.2本書展望

 

參考文獻

 

 

 

 

類似商品

最後瀏覽商品 (20)