大规模机器学习理论研究与应用
摘要 | 第3-5页 |
Abstract | 第5-6页 |
目录 | 第7-10页 |
图目录 | 第10-11页 |
表目录 | 第11-12页 |
标记法 | 第12-13页 |
第1章 绪论 | 第13-22页 |
1.1 引言 | 第13-15页 |
1.2 大规模机器学习的研究背景 | 第15-16页 |
1.3 大规模机器学习的关键技术 | 第16-18页 |
1.4 本文的主要工作 | 第18-20页 |
1.5 本文组织结构 | 第20-22页 |
第2章 大规模机器学习研究综述 | 第22-53页 |
2.1 主动学习 | 第22-29页 |
2.1.1 不确定抽样 | 第23-25页 |
2.1.2 最优化实验设计 | 第25-27页 |
2.1.3 典型抽样 | 第27-29页 |
2.2 特征选择 | 第29-35页 |
2.2.1 监督特征选择 | 第30-31页 |
2.2.2 无监督特征选择 | 第31-35页 |
2.3 联合聚类 | 第35-43页 |
2.3.1 基于图分割的联合聚类 | 第36-39页 |
2.3.2 基于信息论的联合聚类 | 第39-41页 |
2.3.3 基于矩阵分解的联合聚类 | 第41-43页 |
2.4 在线学习 | 第43-52页 |
2.4.1 在线线性学习 | 第44-48页 |
2.4.2 在线核学习 | 第48-51页 |
2.4.3 收敛性质 | 第51-52页 |
2.5 本章小结 | 第52-53页 |
第3章 反映数据空间局部结构的主动学习 | 第53-75页 |
3.1 基于局部线性重构的主动学习 | 第53-56页 |
3.1.1 局部线性重构 | 第53-55页 |
3.1.2 目标函数 | 第55-56页 |
3.2 问题优化 | 第56-62页 |
3.2.1 连续贪心算法 | 第57-60页 |
3.2.2 凸松弛算法 | 第60-62页 |
3.3 实验分析 | 第62-73页 |
3.3.1 简单示例 | 第63-64页 |
3.3.2 实际数据集 | 第64-73页 |
3.4 本章小结 | 第73-75页 |
第4章 无监督的判别性特征选择 | 第75-92页 |
4.1 判别性特征选择 | 第75-78页 |
4.1.1 问题建模 | 第75-76页 |
4.1.2 目标函数 | 第76-78页 |
4.2 问题优化 | 第78-82页 |
4.2.1 估计最优的指示矩阵 | 第78-80页 |
4.2.2 选择保持聚类结构的特征 | 第80-82页 |
4.3 实验分析 | 第82-90页 |
4.3.1 实验设置 | 第82-84页 |
4.3.2 图像检索 | 第84-85页 |
4.3.3 图像聚类 | 第85-90页 |
4.4 本章小结 | 第90-92页 |
第5章 反映多种数据关系的联合聚类 | 第92-110页 |
5.1 局部判别联合聚类 | 第92-98页 |
5.1.1 建模样本和特征之间的关系 | 第93-94页 |
5.1.2 建模样本之间的关系 | 第94-96页 |
5.1.3 建模特征之间的关系 | 第96-97页 |
5.1.4 目标函数 | 第97-98页 |
5.2 问题优化 | 第98-100页 |
5.3 实验分析 | 第100-109页 |
5.3.1 实验设置 | 第100-102页 |
5.3.2 实验结果 | 第102-109页 |
5.4 本章小结 | 第109-110页 |
第6章 基于在线学习的稀疏核逻辑回归 | 第110-129页 |
6.1 非保守在线核逻辑回归 | 第110-116页 |
6.1.1 核逻辑回归问题 | 第110-111页 |
6.1.2 非保守在线学习 | 第111-116页 |
6.2 保守在线核逻辑回归 | 第116-122页 |
6.2.1 基于分类边缘的保守算法 | 第116-119页 |
6.2.2 基于辅助函数的保守算法 | 第119-122页 |
6.3 实验分析 | 第122-128页 |
6.3.1 中等规模数据集上的实验结果 | 第122-127页 |
6.3.2 大规模数据集上的实验结果 | 第127-128页 |
6.4 本章小结 | 第128-129页 |
第7章 总结与展望 | 第129-132页 |
7.1 全文工作总结 | 第129-130页 |
7.2 未来工作展望 | 第130-132页 |
参考文献 | 第132-141页 |
攻读博士学位期间主要的研究成果 | 第141-144页 |
学术论文 | 第141-143页 |
科研项目 | 第143-144页 |
致谢 | 第144-145页 |