机器学习是计算机科学和人工智能中非常重要的一个研究领域。近年来,机器学习不仅在计算机科学的众多领域中大显身手,还成为一些交叉学科的重要支持技术。
《中国计算机学会学术著作丛书·知识科学系列:机器学习及其应用2013》邀请国内外相关领域的专家撰文,以综述的形式分别介绍机器学习不同分支及相关领域的研究进展。全书共分8章,内容分别涉及稀疏话题表示学习、基于向量场的流形学习和排序、秩极小化、实值多变量维数约简等技术,知识挖掘与用户建模、异质人脸图像合成等应用,以及对多视图在利用未标记数据学习中的效用、面向高维多视图数据的广义相关分析的探讨。《中国计算机学会学术著作丛书·知识科学系列:机器学习及其应用2013》可供高校、科研院所计算机、自动化及相关专业的师生、科技工作者和相关企业的工程技术人员阅读参考。
目录
- Learning Sparse Topical Representations
- 1 Introduction
- 2 Related Work
- 2.1 Probabilistic LDA
- 2.2 Non-negative Matrix Faetorization
- 3 Sparse Topical Coding
- 3.1 A Probabilistic Generative Process
- 3.2 STC for MAP Estimation
- 3.3 Optimization with Coordinate Descent
- 4 Extensions
- 4.1 Collapsed STC
- 4.2 Supervised Sparse Topical Coding
- 5 Experiments
- 5.1 Sparse Word Code
- 5.2 Prediction Accuracy
- 5.3 Time Efficiency
- 6 Conclusion
- References
- 多视图在利用未标记数据学习中的效用
- 1 引言
- 2 多视图在半监督学习中的效用
- 3 多视图在主动学习中的效用
- 4 多视图在主动半监督学习中的效用
- 5 视图分割
- 6 结束语
- 参考文献
- 知识挖掘与用户建模
- 1 引言
- 2 技术综述
- 3 本体知识体系构建
- 3.1 知识挖掘
- 3.2 知识加工
- 3.3 语义计算
- 3.4 实验结果
- 3.5 基于本体知识的需求主题体系构建
- 4 跨产品用户日志挖掘
- 4.1 技术框架
- 4.2 跨产品用户数据scssion分割
- 4.3 跨产品用户数据关注点挖掘
- 5 用户建模
- 5.1 用户属性建模
- 5.2 用户兴趣建模
- 5.3 用户状态建模
- 5.4 多维度用户行为分析模型
- 5.5 用户兴趣模型的地域性关联分析
- 6 结语
- 参考文献
- 异质人脸图像合成
- 1 引言
- 2 基于子空间学习的图像合成方法
- 2.1 基于线性子空间学习的方法
- 2.2 基于流形学习的方法
- 3 基于贝叶斯推理的合成方法
- 3.1 基于嵌入式隐马尔科夫模型的方法
- 3.2 基于马尔科夫随机场的方法
- 4 基于人脸幻像思想的合成方法
- 5 实验结果
- 6 结束语
- 参考文献
- 面向高维多视图数据的广义相关分析
- 1 引言
- 1.1 多视图数据
- 1.2 数据降维的意义与方法
- 2 基于相关分析的降维方法所面临的问题与解决方案
- 2.1 忽视多视图数据的监督信息
- 2.2 要求不同视图间的数据全配对
- 2.3 现有解决方案
- 3 我们的研究工作
- 3.1 半配对局部相关分析
- 3.2 半监督半配对广义相关分析
- 3.3 邻域相关分析
- 4 小结
- 参考文献
- 基于向量场的流形学习和排序
- 1 引言
- 2 平行向量场和线性函数
- 2.1 流形上半监督学习问题
- 2.2 平行向量场和线性函数
- 2.3 目标函数
- 3 离散化和优化
- 3.1 切空间和向量场离散化
- 3.2 梯度场计算
- 3.3 平行向量场计算
- 3.4 离散形式的目标函数
- 3.5 目标函数优化
- 4 基于平行向量场正则化的排序
- 4.1 向量场正则化
- 4.2 尺1和及2的离散化
- 4.3 目标函数离散化
- 4.4 目标函数优化
- 4.5 实验
- 5 结束语与展望
- 参考文献
- 秩极小化:理论、算法与应用
- 1 引言
- 2 主要数学模型
- 3 理论分析
- 4 算法
- 4.1 加速近邻梯度法及其推广
- 4.2 交错方向法及其线性化
- 4.3 奇异值分解的计算
- 5 应用
- 5.1 背景建模
- 5.2 图像批量对齐
- 5.3 变换不变低秩纹理
- 5.4 运动分割
- 5.5 图像分割
- 5.6 图像显著区域检测
- 6 结束语
- 参考文献
- 实值多变量维数约简
- 1 引言
- 2 实值多变量维数约简
- 2.1 切片逆回归法
- 2.2 切片逆回归的推广
- 2.3 主Hessian方向
- 2.4 子空间简介
- 2.5 稀疏充分维数约简
- 2.6 核维数约简
- 2.7 最小平方维数约简
- 3 树形结构的核维数约简
- 3.1 动机
- 3.2 树形算法的介绍
- 3.3 (残差)树形核维数约简
- 3.4 实验部分
- 3.5 结论
- 4 核维数约简在人群计数中的应用
- 4.1 核维数约简
- 4.2 多核学习
- 5 结论
- 参考文献