机器学习及其应用2007

1 图象空间中的距离 1.1 引言 1.2 两副图象间的距离 1.3 两组图象间的距离 1.4 结束语 参考文献 2　平均奖赏强化学习研究 2.1 引言 2.2 MDP与SMDP 2.2.1 单链策略迭代算法 2.2.2 值迭代算法 2.2.3 异步值迭代算法 2.3 平均奖赏动态规划算法 2.4 平均奖赏强化学习算法 2.5 基于参考状态的平均奖赏强化学习法 2.6 仿真实验 2.7 结束语 3　离阶异构数据挖掘 3.1 引言 3.2 同构数据挖掘 3.2.1 谱聚类算法 3.2.2 Page Rank算法 3.3 两类异构对象的数据挖掘 3.3.1 二部图的谱分解 3.3.2 基于信息论的协同聚类 3.4 高阶异构数据挖掘 3.4.1 高阶异构对象的建模 3.4.2 基于统一关系矩阵的方法 3.4.3 基于张量的方法 3.4.4 基于相容二部图的方法 3.5 结束语 参考文献4 求解SVM的几何方法研究 4.1 引言 4.2 求解SVM几何方法的理论基础 4.2.1 线性可分SVM与最近点问题 4.2.2 L2范数SVM及其几何解释 4.2.3 软凸包与V—SVM的几何解释 4.3 求解线性可分SVM问题的几何算法 4.3.1 Gilbert算法与最小范数问题 4.3.2 可分情形下的SK算法 4.3.3 可分情形下的MDM算法 4.4　求解L1范数SVM问题的几何算法 4.4.1 软SK算法 4.4.2 软MDM算法 4.5 软SK算法和软MDM算法的一些实验结果 4.5.1 实验方法、实验环境与数据库 4.5.2 软SK算法实验 4.5.3 软MDM算法实验 4.6 SVM的最小球覆盖解释与近似最小球覆盖算法求解 4.7 SMO与几何算法之间的联系 4.8 结束语 参考文献5　典型相关分析研究进展 5.1 引言 5.2 问题的数学刻画 5.2.1 CCA数学描述 5.2.2 相关性与互信息之间的关系 5.2.3 CCA其他多元分析方法之间的关系 5.2.4 核CCA 5.3 CCA研究进展 5.3.1 CCA的应用 5.3.2 CCA计算方法的改进 5.3.3 基于CCA的扩展模型 5.4 结束语 参考文献6 Rashomon特征选择 6.1 引言 6.1.1 Rashomon 6.1.2 模型多样性问题 6.1.3 最简单的Rashomon问题——特征选择 6.2 特征选择 6.2.1 经典特征选择的类型 6.2.2 Filter类型特征选择 6.2.3 Relief算法 6.3 基于Reduct的特征选择 6.3.1 BNA(D)与误差 6.3.2 Reduct作为特征选择的解答 6.4R ashomon特征选择 6.4.1 基于全序的Reduct算法 6.4.2 Rashomon特征选择 6.5 次属性原理 6.5.1 次属性 6.5.2 次属性原理 6.6 Rashomon特征选择的计算 6.6.1 优化规则 6.6.2 算法 6.7 总结与问题 参考文献7 复杂网络上的学习 7.1 引言 7.2 分类器网络及Boosting学习 7.2.1 NetWork Boosting算法 7.2.2 算法收敛性 7.2.3 UCI数据集上的实验结果 7.3 网络拓扑结构对于NetWork Boosting算法性能的影响 7.3.1 Bias－Variance－Covariance 7.3.2 连接度数变化对于样本权重分布之间相关性的影响 7.3.3 不同连接概率的随机图上的对比实验结果 7.4 分布式环境中的分类器网络 7.4.1 分布式NetworkBoosting算法 7.4.2 分布式环境中监督学习实验结果 7.4.3 总结 参考文献8 聚类分析的新进展——谱聚类综述 8.1 谱聚类算法的由来 8.2 无向图的拉普拉斯矩阵性质 8.3 基于图划分的谱聚类算法 8.4 谱聚类算法诱导的异质聚类 8.5 谱聚类算法的进一步讨论 参考文献9 机器学习与自然语言处理 9.1 引言 9.2 自然语言处理的主攻方向 9.3 文学语言对机器学习提出的挑战 9.3.1 隐喻和影射 9.3.2 引用典故 9.3.3 遣词造句的形象化 9.3.4 夸张 9.3.5 双关 9.3.6 拟人化 9.4 服务于机器学习的语言资源建设 9.5 机器学习方法的实践 9.5.1 词义消歧研究 9.5.2 情感倾向分析 9.5.3 隐喻识别 9.5.4 小结 9.6 结束语 参考文献10 监督流形学习 10.1 引言 10.2 基础 10.2.1 流形 10.2.2 嵌入 10.3 流形学习简介及LLE算法 lO.3.1 流形学习的目的和基本思路 10.3.2 算法有效性分析 10.3.3 LLE算法介绍 10.4 监督流形学习 10.4.1 相关研究介绍 10.4.2 监督流形学习中面临的问题 10.5 基于Gabor基的监督流形学习 10.5.1 Gabor特征表示 10.5.2 ULLELDA算法 10.5.3 基于Gabor基的监督流形学习实验 10.5.4 En—ULLELDA算法 10.5.5 基于集成流形学习的实验 10.6 MUSNACAL算法和En—MUSNACAL算法 10.6.1 覆盖算法 10.6.2 双向RBF映射模型 10.6.3 分类 10.6.4 En—MUSNACAL算法 10.6.5 基于MUSNAcAL算法和En—MUSNACAL算法的实验 10.6.6 小结 10.7 讨论与总结 参考文献11 超完备拓扑独立分量分析 11.1 引言 11.2 超完备表示模型与算法 11.3 超完备表示实验仿真 11.4 结束语 参考文献12 商空间框架下的机器学习方法 12.1 人类智能的主要特征 12.1.1 人类全局分析问题的能力 12.1.2 人类局部分析问题的能力 12.2 智能的数学模型 12.2.1 全局分析能力的数学模型——粒度分析(计算)的 商空间模型 12.2.2 局部分析能力的数学模型——构造性学习方法(覆盖算法) 12.2.3 两者的综合 12.3 商空间粒度计算 12.3.1 粒度与模糊关系 12.4 商空间粒度分析的方法 12.4.1 对论域取粒度 12.4.2 对属性取粒度 12.4.3 对结构取粒度 12.4.4 商空间粒度计算的基本原理 12.5 构造性机器学习方法 12.5.1 覆盖算法 12.5.2 具有粒度结构知识的获取 12.5.3 基于商空间的覆盖算法 12.6 小结 参考文献13 半监督学习中的协同训练风范 13.1 引言 13.2 半监督学习 13.3 协同训练算法 13.4 协同训练理论分析 13.5 协同训练的应用 13.6 结束语 参考文献

1 图象空间中的距离 1.1 引言 1.2 两副图象间的距离 1.3 两组图象间的距离 1.4 结束语 参考文献 2　平均奖赏强化学习研究 2.1 引言 2.2 MDP与SMDP 2.2.1 单链策略迭代算法 2.2.2 值迭代算法 2.2.3 异步值迭代算法 2.3 平均奖赏动态规划算法 2.4 平均奖赏强化学习算法 2.5 基于参考状态的平均奖赏强化学习法 2.6 仿真实验 2.7 结束语 3　离阶异构数据挖掘 3.1 引言 3.2 同构数据挖掘 3.2.1 谱聚类算法 3.2.2 Page Rank算法 3.3 两类异构对象的数据挖掘 3.3.1 二部图的谱分解 3.3.2 基于信息论的协同聚类 3.4 高阶异构数据挖掘 3.4.1 高阶异构对象的建模 3.4.2 基于统一关系矩阵的方法 3.4.3 基于张量的方法 3.4.4 基于相容二部图的方法 3.5 结束语 参考文献4 求解SVM的几何方法研究 4.1 引言 4.2 求解SVM几何方法的理论基础 4.2.1 线性可分SVM与最近点问题 4.2.2 L2范数SVM及其几何解释 4.2.3 软凸包与V—SVM的几何解释 4.3 求解线性可分SVM问题的几何算法 4.3.1 Gilbert算法与最小范数问题 4.3.2 可分情形下的SK算法 4.3.3 可分情形下的MDM算法 4.4　求解L1范数SVM问题的几何算法 4.4.1 软SK算法 4.4.2 软MDM算法 4.5 软SK算法和软MDM算法的一些实验结果 4.5.1 实验方法、实验环境与数据库 4.5.2 软SK算法实验 4.5.3 软MDM算法实验 4.6 SVM的最小球覆盖解释与近似最小球覆盖算法求解 4.7 SMO与几何算法之间的联系 4.8 结束语 参考文献5　典型相关分析研究进展 5.1 引言 5.2 问题的数学刻画 5.2.1 CCA数学描述 5.2.2 相关性与互信息之间的关系 5.2.3 CCA其他多元分析方法之间的关系 5.2.4 核CCA 5.3 CCA研究进展 5.3.1 CCA的应用 5.3.2 CCA计算方法的改进 5.3.3 基于CCA的扩展模型 5.4 结束语 参考文献6 Rashomon特征选择 6.1 引言 6.1.1 Rashomon 6.1.2 模型多样性问题 6.1.3 最简单的Rashomon问题——特征选择 6.2 特征选择 6.2.1 经典特征选择的类型 6.2.2 Filter类型特征选择 6.2.3 Relief算法 6.3 基于Reduct的特征选择 6.3.1 BNA(D)与误差 6.3.2 Reduct作为特征选择的解答 6.4R ashomon特征选择 6.4.1 基于全序的Reduct算法 6.4.2 Rashomon特征选择 6.5 次属性原理 6.5.1 次属性 6.5.2 次属性原理 6.6 Rashomon特征选择的计算 6.6.1 优化规则 6.6.2 算法 6.7 总结与问题 参考文献7 复杂网络上的学习 7.1 引言 7.2 分类器网络及Boosting学习 7.2.1 NetWork Boosting算法 7.2.2 算法收敛性 7.2.3 UCI数据集上的实验结果 7.3 网络拓扑结构对于NetWork Boosting算法性能的影响 7.3.1 Bias－Variance－Covariance 7.3.2 连接度数变化对于样本权重分布之间相关性的影响 7.3.3 不同连接概率的随机图上的对比实验结果 7.4 分布式环境中的分类器网络 7.4.1 分布式NetworkBoosting算法 7.4.2 分布式环境中监督学习实验结果 7.4.3 总结 参考文献8 聚类分析的新进展——谱聚类综述 8.1 谱聚类算法的由来 8.2 无向图的拉普拉斯矩阵性质 8.3 基于图划分的谱聚类算法 8.4 谱聚类算法诱导的异质聚类 8.5 谱聚类算法的进一步讨论 参考文献9 机器学习与自然语言处理 9.1 引言 9.2 自然语言处理的主攻方向 9.3 文学语言对机器学习提出的挑战 9.3.1 隐喻和影射 9.3.2 引用典故 9.3.3 遣词造句的形象化 9.3.4 夸张 9.3.5 双关 9.3.6 拟人化 9.4 服务于机器学习的语言资源建设 9.5 机器学习方法的实践 9.5.1 词义消歧研究 9.5.2 情感倾向分析 9.5.3 隐喻识别 9.5.4 小结 9.6 结束语 参考文献10 监督流形学习 10.1 引言 10.2 基础 10.2.1 流形 10.2.2 嵌入 10.3 流形学习简介及LLE算法 lO.3.1 流形学习的目的和基本思路 10.3.2 算法有效性分析 10.3.3 LLE算法介绍 10.4 监督流形学习 10.4.1 相关研究介绍 10.4.2 监督流形学习中面临的问题 10.5 基于Gabor基的监督流形学习 10.5.1 Gabor特征表示 10.5.2 ULLELDA算法 10.5.3 基于Gabor基的监督流形学习实验 10.5.4 En—ULLELDA算法 10.5.5 基于集成流形学习的实验 10.6 MUSNACAL算法和En—MUSNACAL算法 10.6.1 覆盖算法 10.6.2 双向RBF映射模型 10.6.3 分类 10.6.4 En—MUSNACAL算法 10.6.5 基于MUSNAcAL算法和En—MUSNACAL算法的实验 10.6.6 小结 10.7 讨论与总结 参考文献11 超完备拓扑独立分量分析 11.1 引言 11.2 超完备表示模型与算法 11.3 超完备表示实验仿真 11.4 结束语 参考文献12 商空间框架下的机器学习方法 12.1 人类智能的主要特征 12.1.1 人类全局分析问题的能力 12.1.2 人类局部分析问题的能力 12.2 智能的数学模型 12.2.1 全局分析能力的数学模型——粒度分析(计算)的 商空间模型 12.2.2 局部分析能力的数学模型——构造性学习方法(覆盖算法) 12.2.3 两者的综合 12.3 商空间粒度计算 12.3.1 粒度与模糊关系 12.4 商空间粒度分析的方法 12.4.1 对论域取粒度 12.4.2 对属性取粒度 12.4.3 对结构取粒度 12.4.4 商空间粒度计算的基本原理 12.5 构造性机器学习方法 12.5.1 覆盖算法 12.5.2 具有粒度结构知识的获取 12.5.3 基于商空间的覆盖算法 12.6 小结 参考文献13 半监督学习中的协同训练风范 13.1 引言 13.2 半监督学习 13.3 协同训练算法 13.4 协同训练理论分析 13.5 协同训练的应用 13.6 结束语 参考文献
· · · · · · (收起)