| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第15-18页 |
| 1.1 研究背景及意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 分布式算法的起源和发展 | 第15-16页 |
| 1.2.2 近期研究 | 第16-17页 |
| 1.3 本文主要工作和结构 | 第17-18页 |
| 2 分布式网络结构和一致平均理论 | 第18-21页 |
| 2.1 引言 | 第18页 |
| 2.2 分布式网络结构 | 第18-19页 |
| 2.3 一致平均理论 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 基于一致平均的l_1正则化随机权网络分布式学习算法研究 | 第21-35页 |
| 3.1 引言 | 第21页 |
| 3.2 预备知识 | 第21-23页 |
| 3.3 基于一致平均的分布式稀疏随机权网络模型及算法 | 第23-25页 |
| 3.3.1 求解l_1-NNRW的梯度投影算法 | 第23-24页 |
| 3.3.2 基于一致平均的分布式稀疏随机权网络算法 | 第24-25页 |
| 3.4 实验结果与分析 | 第25-26页 |
| 3.4.1 基于UCI数据集的算法性能分析 | 第25-26页 |
| 3.5 本章小结 | 第26-35页 |
| 4 基于分布式网络的非负矩阵稀疏分解算法研究 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 非负矩阵分解算法 | 第35-36页 |
| 4.2.1 交替更新法 | 第35-36页 |
| 4.2.2 交替最小二乘法 | 第36页 |
| 4.3 基于分布式的非负矩阵稀疏分解 | 第36-40页 |
| 4.3.1 非负矩阵稀疏分解算法 | 第36-38页 |
| 4.3.2 基于分布式网络的非负矩阵稀疏分解算法 | 第38-40页 |
| 4.4 实验结果与分析 | 第40-44页 |
| 4.4.1 算法和相关数据描述 | 第40-41页 |
| 4.4.2 基于人工数据的实验结果与分析 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 基于大规模非负矩阵的分布式学习算法研究 | 第45-52页 |
| 5.1 引言 | 第45页 |
| 5.2 基于大规模非负矩阵的分布式学习算法 | 第45-46页 |
| 5.2.1 基于一致平均的矩阵分解算法 | 第45-46页 |
| 5.2.2 分布式网络的着色算法 | 第46页 |
| 5.2.3 基于一致平均和着色网络的矩阵分解算法 | 第46页 |
| 5.3 实验结果与分析 | 第46-47页 |
| 5.3.1 实验参数选择 | 第46-47页 |
| 5.3.2 结果分析 | 第47页 |
| 5.4 本章小结 | 第47-52页 |
| 6 结论与展望 | 第52-54页 |
| 6.1 研究总结 | 第52页 |
| 6.2 进一步需要开展的工作 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 作者简历 | 第59页 |
