面向特殊样本形式的多视角学习问题及其解决方法

目录《博士后文库》序言前言第1章 背景 1第2章 主要问题 42.1 实时产生且信息可变 42.2 有效样本信息不足 42.2.1 有标签样本数目不足 52.2.2 信息缺失 52.3 多种样本信息之间关联复杂 52.4 问题展开及本书工作 6第3章 半监督在线多视图学习机 83.1 引言 83.1.1 传统多视图学习及其问题 83.1.2 OPMV的提出 93.1.3 OPMV的问题 93.1.4 SSOPMV的提出 103.2 在线多视图学习 103.2.1 OPMV 103.2.2 模型优化 113.3 半监督在线多视图学习机 123.3.1 通过Universum创建额外无标签样本 133.3.2 SSOPMV的实现 153.4 实验 163.4.1 实验设置 163.4.2 在不经常更新的多视图数据集上的测试准确率比较 193.4.3 在经常更新的多视图数据集上的测试准确率比较 213.4.4 不同的额外无标签样本生成方法之间的比较 213.4.5 在线学习相关的学习机与整体存储相关的学习机的对比 223.4.6 有标签样本的百分比对学习机性能影响 243.4.7 ?t的影响 253.5 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 274.1 引言 274.1.1 传统的多视图学习机存在的问题 274.1.2 传统多视图学习机问题的解决方案 284.1.3 SOMVFV的提出、创新点、动机和贡献 294.2 相关工作 294.2.1 半监督学习机 294.2.2 在线学习机 304.2.3 具有可变特征或视图的多视图学习机 304.3 具有可变特征和视图的半监督在线多视图学习 314.4 实验 374.4.1 实验设置 374.4.2 在单视图小规模数据集上分类性能的比较 414.4.3 在单视图大规模数据集上分类性能的比较 434.4.4 在多视图小规模数据集上分类性能的比较 454.4.5 在多视图大规模数据集上分类性能的比较 474.5 本章小结 47第5章 具有Universum的基于秩一致性的多视图学习 495.1 引言 495.1.1 问题和解决方法 495.1.2 RANCU的提出和优势 495.2 实验 505.2.1 实验设置 505.2.2 实验内容 515.3 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 556.1 引言 556.1.1 背景介绍 556.1.2 动机和提出 556.1.3 贡献 566.2 使用五种样本信息提升多矩阵分类器性能 566.2.1 创建IBU样本 566.2.2 IMMFI框架 576.3 实验 586.3.1 实验设置 586.3.2 分类性能的比较 596.3.3 验证IMMFI在跟踪问题中的有效性 606.4 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 627.1 引言 627.1.1 背景介绍 627.1.2 提出、动机和贡献 637.2 基于权重的未知标签多视图数据集生成方法 637.2.1 基于WMVC获得视图和特征的权重 637.2.2 获得每个已知标签的多视图样本的相似样本 647.2.3 生成可行的未知标签的多视图数据集 657.3 实验 667.3.1 实验设置 667.3.2 现实数据集的性能比较 667.4 本章小结 74第8章 基于权重和Universum的半监督多视图学习机 768.1 引言 768.1.1 重要性体现 768.1.2 研究问题 778.1.3 研究目标 788.1.4 WUSM模型的提出、动机和独创性 798.1.5 贡献 798.2 相关工作 808.2.1 半监督多视图学习机 808.2.2 Universum学习 808.2.3 构造Universum集的方法 818.3 基于权重和Universum的半监督多视图学习机 818.3.1 构建WUSM的步骤 818.3.2 视图和特征的应用 838.3.3 计算复杂度分析 838.3.4 收敛性 838.3.5 WUSM的优势 848.4 实验 848.4.1 实验设置 848.4.2 不同应用间性能比较 868.5 本章小结 88第9章 新的具有不完整数据的多视图学习机 909.1 引言 909.1.1 背景介绍 909.1.2 经典的学习机 909.1.3 问题 919.1.4 相应的解决方案 919.1.5 贡献 919.2 MVL-IV框架 929.3 具有不完整数据的多视图学习机 929.3.1 数据准备 929.3.2 目标及模型 939.3.3 模型实现 949.3.4 *终流程 959.4 实验 969.4.1 实验设置 969.4.2 回归问题的比较 979.4.3 关于二分排名问题的比较 1029.4.4 关于图像搜索问题的比较 1039.4.5 计算复杂度比较 1059.5 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 10810.1 引言 10810.1.1 多视图多标签数据集 10810.1.2 传统的多视图多标签学习机存在的问题及解决方案 10810.1.3 目标 11010.1.4 独创性和贡献 11010.2 具有不完整视图和标签的多视图多标签学习 11110.2.1 数据准备 11110.2.2 具有标签特定特征的多视图多标签学习 11110.2.3 具有不完整标签的多视图多标签学习 11210.2.4 具有不完整视图的多视图多标签学习 11210.2.5 具有全局和局部关联的多视图多标签学习 11310.2.6 基于不同视图补充信息的多视图多标签学习 11410.2.7 MVML-IVL*终的目标函数 11410.2.8 实现 11410.3 实验 11510.3.1 实验设置 11510.3.2 实验结果 11910.4 本章小结 123第11章 基于权重的典型稀疏跨视图关联分析 12411.1 引言 12411.1.1 背景介绍 12411.1.2 动机 12511.1.3 贡献 12611.2 相关工作 12611.2.1 典型的稀疏跨视图关联分析 12611.2.2 全局和局部典型关联分析 12711.3 基于权重的典型稀疏跨视图关联分析 12811.3.1 基于权重的典型稀疏跨视图关联分析 12811.3.2 核化的WCSCCA 13011.4 实验 13111.4.1 实验设置 13111.4.2 在多特征数据集上性能比较 13311.4.3 在面部数据集上性能比较 13711.5 本章小结 140第12章 全局和局部多视图多标签学习 14212.1 引言 14212.1.1 三种经典数据集 14212.1.2 传统解决方案 14212.1.3 存在问题 14412.1.4 相应解决方案 14412.1.5 独创性及贡献 14412.2 全局和局部多视图多标签学习 14412.2.1 数据准备 14412.2.2 框架 14512.2.3 解决方案 14812.2.4 计算复杂度 14912.3 实验 14912.3.1 实验设置 14912.3.2 实验结果 15012.4 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 16214.1 有约束多关联信息衡量算法 16214.2 基于量质平衡模型及信息熵的信息增强算法 16214.3 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