機(jī)器學(xué)習(xí)及其應(yīng)用2013

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 多視圖在利用未標(biāo)記數(shù)據(jù)學(xué)習(xí)中的效用   1  引言   2  多視圖在半監(jiān)督學(xué)習(xí)中的效用   3  多視圖在主動(dòng)學(xué)習(xí)中的效用   4  多視圖在主動(dòng)半監(jiān)督學(xué)習(xí)中的效用   5  視圖分割   6  結(jié)束語   參考文獻(xiàn) 知識(shí)挖掘與用戶建模   1  引言   2  技術(shù)綜述   3  本體知識(shí)體系構(gòu)建   3.1  知識(shí)挖掘   3.2  知識(shí)加工   3.3  語義計(jì)算   3.4  實(shí)驗(yàn)結(jié)果   3.5  基于本體知識(shí)的需求主題體系構(gòu)建   4  跨產(chǎn)品用戶日志挖掘   4.1  技術(shù)框架   4.2  跨產(chǎn)品用戶數(shù)據(jù)scssion分割   4.3  跨產(chǎn)品用戶數(shù)據(jù)關(guān)注點(diǎn)挖掘   5  用戶建模   5.1  用戶屬性建模   5.2  用戶興趣建模   5.3  用戶狀態(tài)建模   5.4  多維度用戶行為分析模型   5.5  用戶興趣模型的地域性關(guān)聯(lián)分析   6  結(jié)語   參考文獻(xiàn) 異質(zhì)人臉圖像合成   1  引言   2  基于子空間學(xué)習(xí)的圖像合成方法   2.1  基于線性子空間學(xué)習(xí)的方法   2.2  基于流形學(xué)習(xí)的方法   3  基于貝葉斯推理的合成方法   3.1  基于嵌入式隱馬爾科夫模型的方法   3.2  基于馬爾科夫隨機(jī)場(chǎng)的方法   4  基于人臉幻像思想的合成方法   5  實(shí)驗(yàn)結(jié)果   6  結(jié)束語   參考文獻(xiàn) 面向高維多視圖數(shù)據(jù)的廣義相關(guān)分析   1  引言   1.1  多視圖數(shù)據(jù)   1.2  數(shù)據(jù)降維的意義與方法   2  基于相關(guān)分析的降維方法所面臨的問題與解決方案   2.1  忽視多視圖數(shù)據(jù)的監(jiān)督信息   2.2  要求不同視圖間的數(shù)據(jù)全配對(duì)   2.3  現(xiàn)有解決方案   3  我們的研究工作   3.1  半配對(duì)局部相關(guān)分析   3.2  半監(jiān)督半配對(duì)廣義相關(guān)分析   3.3  鄰域相關(guān)分析   4  小結(jié)   參考文獻(xiàn) 基于向量場(chǎng)的流形學(xué)習(xí)和排序   1  引言   2  平行向量場(chǎng)和線性函數(shù)   2.1  流形上半監(jiān)督學(xué)習(xí)問題   2.2  平行向量場(chǎng)和線性函數(shù)   2.3  目標(biāo)函數(shù)   3  離散化和優(yōu)化   3.1  切空間和向量場(chǎng)離散化   3.2  梯度場(chǎng)計(jì)算   3.3  平行向量場(chǎng)計(jì)算   3.4  離散形式的目標(biāo)函數(shù)   3.5  目標(biāo)函數(shù)優(yōu)化   4  基于平行向量場(chǎng)正則化的排序   4.1  向量場(chǎng)正則化   4.2  尺1和及2的離散化   4.3  目標(biāo)函數(shù)離散化   4.4  目標(biāo)函數(shù)優(yōu)化   4.5  實(shí)驗(yàn)   5  結(jié)束語與展望   參考文獻(xiàn) 秩極小化：理論、算法與應(yīng)用   1  引言   2  主要數(shù)學(xué)模型   3  理論分析   4  算法   4.1  加速近鄰梯度法及其推廣   4.2  交錯(cuò)方向法及其線性化   4.3  奇異值分解的計(jì)算   5  應(yīng)用   5.1  背景建模   5.2  圖像批量對(duì)齊   5.3  變換不變低秩紋理   5.4  運(yùn)動(dòng)分割   5.5  圖像分割   5.6  圖像顯著區(qū)域檢測(cè)   6  結(jié)束語   參考文獻(xiàn) 實(shí)值多變量維數(shù)約簡(jiǎn)   1  引言   2  實(shí)值多變量維數(shù)約簡(jiǎn)   2.1  切片逆回歸法   2.2  切片逆回歸的推廣   2.3  主Hessian方向   2.4  子空間簡(jiǎn)介   2.5  稀疏充分維數(shù)約簡(jiǎn)   2.6  核維數(shù)約簡(jiǎn)   2.7  最小平方維數(shù)約簡(jiǎn) 3  樹形結(jié)構(gòu)的核維數(shù)約簡(jiǎn)   3.1  動(dòng)機(jī)   3.2  樹形算法的介紹   3.3  (殘差)樹形核維數(shù)約簡(jiǎn)   3.4  實(shí)驗(yàn)部分   3.5  結(jié)論 4  核維數(shù)約簡(jiǎn)在人群計(jì)數(shù)中的應(yīng)用   4.1  核維數(shù)約簡(jiǎn)   4.2  多核學(xué)習(xí) 5  結(jié)論 參考文獻(xiàn)