包邮多模态数据融合与挖掘技术

第1章 绪论 1.1 研究背景 1.2 存在的挑战 1.3 本书主要内容 第2章 研究现状 2.1 本章导读 2.2 多模态聚类 2.3 多模态分类 第3章 基于聚类引导自适应结构增强网络的多模态聚类方法 3.1 本章导读 3.2 方法设计 3.2.1 定义问题 3.2.2 多模态自编码器模块 3.2.3 自适应多模态图结构提取模块 3.2.4 聚类引导的结构增强模块 3.2.5 总损失函数 3.2.6 网络的训练方法 3.3 实验分析 3.3.1 数据集 3.3.2 对比方法和评价准则 3.3.3 实验设置 3.3.4 实验结果 3.3.5 参数敏感性分析 本章小结 第4章 基于鲁棒多样化图对比学习的多模态聚类方法 4.1 本章导读 4.2 相关工作 4.3 方法设计 4.3.1 预备知识 4.3.2 多模态统一和特定编码网络 4.3.3 图内的对比正则化 4.3.4 图间的对比正则化 4.3.5 聚类引导的图对比正则化 4.3.6 目标函数与求解 4.4 实验分析 4.4.1 数据集 4.4.2 对比方法 4.4.3 评价准则 4.4.4 实验设置 4.4.5 实验结果 4.4.6 参数敏感性分析 4.4.7 消融实验 本章小结 第5章 基于深度神经网络的鲁棒多模态聚类方法 5.1 本章导读 5.2 相关工作 5.3 基于深度神经网络的鲁棒多模态聚类方法 5.3.1 细粒度特征提取模块 5.3.2 基于自注意力的细粒度特征增强模块 5.3.3 统一多模态聚类模块 5.4 优化求解 5.5 实验分析 5.5.1 数据集 5.5.2 对比方法 5.5.3 评价准则 5.5.4 实验分析 本章小结 第6章 基于深度相关预测子空间学习的半监督多模态数据语义标注方法 6.1 本章导读 6.2 方法设计 6.2.1 预备工作 6.2.2 问题描述 6.3 优化方法 6.3.1 深度矩阵分解模型的预训练 6.3.2 更新Zi（v） 6.3.3 更新Hm（v） 6.3.4 更新Si（v） 6.3.5 更新Wi和Wp（v） 6.3.6 更新F 6.3.7 复杂度分析 6.4 实验分析 6.4.1 实验设置 6.4.2 实验结果 本章小结 第7章 基于深度受限低秩子空间学习的多模态半监督分类方法 7.1 本章导读 7.2 方法 7.2.1 预备知识 7.2.2 问题提出 7.2.3 优化方法 7.3 实验分析 7.3.1 实验设置 7.3.2 实验结果 本章小结 第8章 基于置信度评估的可信多模态分类方法 8.1 本章导读 8.2 相关工作 8.3 方法设计 8.3.1 多模态增强编码及一致性和判别性学习 8.3.2 多模态置信度感知融合 8.3.3 多模态分类正则化 8.3.4 总的损失函数 8.4 实验分析 8.4.1 数据集 8.4.2 模型设计与训练 8.4.3 实验结果 本章小结 第9章 结束语 参考文献