异构数据的深度计算模型研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第17-41页 |
| 1.1 研究背景 | 第17-21页 |
| 1.2 国内外相关研究进展 | 第21-37页 |
| 1.2.1 深度学习模型概述 | 第21-22页 |
| 1.2.2 典型的深度学习模型 | 第22-29页 |
| 1.2.3 多模态深度学习模型 | 第29-34页 |
| 1.2.4 深度计算模型 | 第34-37页 |
| 1.3 本文主要内容 | 第37-38页 |
| 1.4 论文的组织安排 | 第38-41页 |
| 2 基于自适应Dropout的基本深度计算模型 | 第41-60页 |
| 2.1 引言 | 第41-44页 |
| 2.2 问题描述 | 第44页 |
| 2.3 自适应分布函数 | 第44-47页 |
| 2.4 基于自适应Dropout的深度计算模型 | 第47-49页 |
| 2.5 自适应高阶反向传播算法 | 第49-52页 |
| 2.6 实验结果与分析 | 第52-58页 |
| 2.6.1 CUAVE数据集 | 第52-55页 |
| 2.6.2 SNAE2数据集 | 第55-57页 |
| 2.6.3 MIR Flickr数据集 | 第57-58页 |
| 2.7 本章小结 | 第58-60页 |
| 3 基于众包的深度计算模型 | 第60-79页 |
| 3.1 引言 | 第60-63页 |
| 3.2 问题描述 | 第63-65页 |
| 3.3 答案整合算法相关工作 | 第65-66页 |
| 3.4 众包记录选择算法 | 第66-69页 |
| 3.5 答案整合算法 | 第69-71页 |
| 3.5.1 概率模型 | 第69页 |
| 3.5.2 最大似然函数 | 第69-70页 |
| 3.5.3 最大似然估计 | 第70-71页 |
| 3.6 实验结果与分析 | 第71-78页 |
| 3.6.1 CUAVE数据集 | 第71-74页 |
| 3.6.2 SANE2数据集 | 第74-76页 |
| 3.6.3 MIR Flickr数据集 | 第76-78页 |
| 3.7 本章小结 | 第78-79页 |
| 4 基于子空间映射的深度计算模型 | 第79-92页 |
| 4.1 引言 | 第79页 |
| 4.2 问题描述 | 第79-80页 |
| 4.3 基于子空间映射的高阶自动编码机 | 第80-82页 |
| 4.4 子空间高阶反向传播算法 | 第82-84页 |
| 4.5 基于子空间映射的深度计算模型 | 第84-86页 |
| 4.6 实验结果与分析 | 第86-91页 |
| 4.6.1 Animal-20数据集 | 第86-89页 |
| 4.6.2 NUS-WIDE-14数据集 | 第89-91页 |
| 4.7 本章小结 | 第91-92页 |
| 5 基于深度计算模型的高阶CFS聚类算法 | 第92-103页 |
| 5.1 引言 | 第92-93页 |
| 5.2 相关工作 | 第93-95页 |
| 5.2.1 CFS算法 | 第93-94页 |
| 5.2.2 异构数据聚类 | 第94-95页 |
| 5.3 算法整体框架 | 第95页 |
| 5.4 基于张量外积的特征融合 | 第95-97页 |
| 5.5 高阶CFS聚类算法 | 第97-98页 |
| 5.6 实验结果与分析 | 第98-102页 |
| 5.6.1 评价指标 | 第98页 |
| 5.6.2 NUS-WIDE的聚类结果 | 第98-100页 |
| 5.6.3 CUAVE聚类结果 | 第100-102页 |
| 5.7 本章小结 | 第102-103页 |
| 6 结论与展望 | 第103-107页 |
| 6.1 全文工作总结 | 第103-105页 |
| 6.2 创新点总结 | 第105-106页 |
| 6.3 未来工作展望 | 第106-107页 |
| 参考文献 | 第107-115页 |
| 攻读博士学位期间科研项目及科研成果 | 第115-117页 |
| 致谢 | 第117-118页 |
| 作者简介 | 第118页 |
