面向多視圖數據融合的表示學習

張楠;孫仕亮

面向多視圖數據融合的表示學習

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

相關主題

商品描述

隨著信息技術的飛速發展，當今數據越來越呈現出多源異構特性，具有多種表示的數據（即多視圖數據）大量湧現。
多視圖數據主要是人類在對真實世界進行感知過程中採用不同手段而產生的，這些數據具有小樣本、多樣性、多模態、價值密度低等特徵。
實現多視圖數據的表示學習是充分合理地利用多視圖數據信息的關鍵。
本書以多視圖表示學習思想為潛在主線循序漸進地展開介紹，
首先介紹基於深度生成模型的多視圖表示學習方法與基於樣本間圖結構的多視圖受限玻耳茲曼機模型，
然後給出在時間序列上的多視圖表示學習方法，最後介紹兩種在視圖缺失場景中的多視圖表示學習方法。
本書可作為機器學習、人工智能、
智能科學等專業的高年級本科生和研究生的學習用書，並對從事相關領域的研究人員具有重要的參考價值。

目錄大綱

第1章緒論
1.1基本概念
1.1.1視圖一致性假設
1.1.2公共特徵表示假設
1.2典型的多視圖表示學習系統
1.2.1多模態生物特徵識別
1.2.2多傳感器融合的自動駕駛
1.2.3基於圖像的多模態機器翻譯
1.3後續章節安排
參考文獻
第2章多視圖表示學習基礎
2.1視圖一致性度量方法
2.1.1視圖相似性度量方法
2.1.2視圖相關性度量方法
2.2多視圖表示融合方法
2.2.1基於圖的多視圖表示融合方法
2.2.2基於神經網絡的多視圖表示融合方法
參考文獻
第3章多視圖受限玻耳茲曼機模型
3.1後驗一致性受限玻耳茲曼機模型
3.1.1二視圖數據融合的後驗一致性受限玻耳茲曼機模型
3.1.2PCRBM模型在二視圖數據上的推理和學習
3.1.3PCRBM模型的擴展模型
3.2後驗一致性和領域適應受限玻耳茲曼機模型
3.2.1二視圖數據融合的後驗一致性和領域適應受限玻耳茲曼機模型
3.2.2PDRBM模型在二視圖數據上的推理和學習
3.2.3PDRBM模型在多視圖上的應用
3.3實驗與分析
3.3.1實驗設置和數據集
3.3.2算法比較與分析
參考文獻
第4章基於圖結構的多視圖玻耳茲曼機模型
4.1實用的近鄰圖受限玻耳茲曼機模型
4.1.1基於近鄰正則化的圖受限玻耳茲曼機模型
4.1.2相關分析
4.2基於圖結構的多視圖受限玻耳茲曼機模型
4.2.1推理和學習
4.2.2相關分析
4.3實驗與分析
4.3.1實驗設置
4.3.2算法比較與分析
參考文獻
第5章基於多視圖關鍵子序列的多元時間序列表示學習模型
5.1基於自適應近鄰的無監督關鍵多元子序列學習方法
5.1.1無監督的關鍵子序列學習模型概述
5.1.2基於自適應近鄰的無監督關鍵多元子序列學習模型概述
5.1.3優化和學習
5.1.4收斂性分析
5.1.5相關分析
5.2基於自適應近鄰的多視圖無監督關鍵多元子序列學習方法
5.2.1模型概述
5.2.2優化和學習
5.2.3□□和復雜性分析
5.3實驗與分析
5.3.1實驗設置
5.3.2算法比較與分析
參考文獻
第6章不完整多視圖非負表示學習模型
6.1不完整多視圖非負表示學習方法
6.1.1模型概述
6.1.2優化和學習
6.2模型分析
6.2.1收斂性分析
6.2.2複雜性分析
6.2.3模型概述
6.3實驗與分析
6.3.1實驗設置
6.3.2算法比較與分析
參考文獻
第7章基於圖補全和自適應近鄰的不完整多視圖表示學習模型
7.1基於圖補全和自適應近鄰的不完整多視圖非負表示學習方法
7.1.1模型概述
7.1.2優化和學習
7.2模型分析
7.2.1相關性分析
7.2.2複雜性分析
7.3實驗與分析
7.3.1實驗設置
7.3.2算法比較與分析
參考文獻
第8章總結與展望
8.1總結
8.2研究前沿及展望
8.2.1可信多視圖表示學習
8.2.2面向視圖缺失場景/視圖不對齊場景的多視圖表示學習

類似商品

最後瀏覽商品 (20)