| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 无中心的分布式一致优化算法研究现状 | 第15-16页 |
| 1.2.2 分布式聚类算法研究现状 | 第16-17页 |
| 1.2.3 VB方法及其分布式扩展研究现状 | 第17-18页 |
| 1.3 研究内容和贡献 | 第18-22页 |
| 1.3.1 主要内容和章节安排 | 第18-19页 |
| 1.3.2 主要贡献 | 第19-22页 |
| 第2章 预备知识 | 第22-30页 |
| 2.1 图论基础 | 第22-23页 |
| 2.2 一致性算法和一致优化算法 | 第23-26页 |
| 2.2.1 一致性算法 | 第23-24页 |
| 2.2.2 一致优化算法 | 第24-26页 |
| 2.3 信息理论度量 | 第26-27页 |
| 2.4 集中式优化算法 | 第27-29页 |
| 2.4.1 自然梯度法 | 第27-28页 |
| 2.4.2 信赖域算法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于归一化信息度量的分布式聚类算法 | 第30-50页 |
| 3.1 动机与原理 | 第30页 |
| 3.2 集中式MNID算法 | 第30-34页 |
| 3.2.1 问题表述 | 第31-32页 |
| 3.2.2 算法设计 | 第32-34页 |
| 3.2.3 算法分析与讨论 | 第34页 |
| 3.3 分布式MNID算法 | 第34-40页 |
| 3.3.1 问题表述 | 第34-35页 |
| 3.3.2 分布式MLR算法 | 第35-38页 |
| 3.3.3 算法设计 | 第38-39页 |
| 3.3.4 算法分析与讨论 | 第39-40页 |
| 3.4 实验结果 | 第40-45页 |
| 3.4.1 合成数据 | 第40-42页 |
| 3.4.2 真实数据 | 第42-45页 |
| 3.5 本章小节 | 第45页 |
| 3.6 附录 | 第45-50页 |
| 3.6.1 命题3.1的证明 | 第45-50页 |
| 第4章 基于一致性优化算法的分布式随机变分推断算法 | 第50-72页 |
| 4.1 变分贝叶斯方法 | 第50-54页 |
| 4.1.1 共轭指数模型 | 第50-51页 |
| 4.1.2 平均场变分推断 | 第51-54页 |
| 4.2 随机变分推断 | 第54-58页 |
| 4.2.1 自然梯度 | 第54-56页 |
| 4.2.2 随机优化 | 第56页 |
| 4.2.3 算法设计 | 第56-58页 |
| 4.3 分布式SVI算法 | 第58-70页 |
| 4.3.1 问题表述 | 第58-59页 |
| 4.3.2 基于分布式梯度法的SVI算法 | 第59-64页 |
| 4.3.3 基于diffusion方法的分布式SVI算法 | 第64-70页 |
| 4.4 本章小结 | 第70-72页 |
| 第5章 分布式SVI算法应用和实验结果 | 第72-98页 |
| 5.1 伯努利混合模型 | 第72-81页 |
| 5.1.1 模型介绍 | 第72-76页 |
| 5.1.2 实验设置和结果 | 第76-81页 |
| 5.2 高斯混合模型 | 第81-87页 |
| 5.2.1 模型介绍 | 第81-85页 |
| 5.2.2 实验设置和结果 | 第85-87页 |
| 5.3 隐含狄利克雷分布模型 | 第87-96页 |
| 5.3.1 模型介绍 | 第89-91页 |
| 5.3.2 实验设置和结果 | 第91-96页 |
| 5.4 本章小节 | 第96-98页 |
| 第6章 总结与展望 | 第98-100页 |
| 6.1 研究内容总结 | 第98页 |
| 6.2 未来研究展望 | 第98-100页 |
| 参考文献 | 第100-106页 |
| 致谢 | 第106-108页 |
| 在读期间发表的学术论文与取得的研究成果 | 第108页 |