1 圖象空間中的距離 1.1 引言 1.2 兩副圖象間的距離 1.3 兩組圖象間的距離 1.4 結束語 參考文獻 2　平均奬賞強化學習研究 2.1 引言 2.2 MDP與SMDP 2.2.1 單鏈策略迭代算法 2.2.2 值迭代算法 2.2.3 異步值迭代算法 2.3 平均奬賞動態規劃算法 2.4 平均奬賞強化學習算法 2.5 基於參考狀態的平均奬賞強化學習法 2.6 仿真實驗 2.7 結束語 3　離階異構數據挖掘 3.1 引言 3.2 同構數據挖掘 3.2.1 譜聚類算法 3.2.2 Page Rank算法 3.3 兩類異構對象的數據挖掘 3.3.1 二部圖的譜分解 3.3.2 基於信息論的協同聚類 3.4 高階異構數據挖掘 3.4.1 高階異構對象的建模 3.4.2 基於統一關係矩陣的方法 3.4.3 基於張量的方法 3.4.4 基於相容二部圖的方法 3.5 結束語 參考文獻4 求解SVM的幾何方法研究 4.1 引言 4.2 求解SVM幾何方法的理論基礎 4.2.1 綫性可分SVM與最近點問題 4.2.2 L2範數SVM及其幾何解釋 4.2.3 軟凸包與V—SVM的幾何解釋 4.3 求解綫性可分SVM問題的幾何算法 4.3.1 Gilbert算法與最小範數問題 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範數SVM問題的幾何算法 4.4.1 軟SK算法 4.4.2 軟MDM算法 4.5 軟SK算法和軟MDM算法的一些實驗結果 4.5.1 實驗方法、實驗環境與數據庫 4.5.2 軟SK算法實驗 4.5.3 軟MDM算法實驗 4.6 SVM的最小球覆蓋解釋與近似最小球覆蓋算法求解 4.7 SMO與幾何算法之間的聯係 4.8 結束語 參考文獻5　典型相關分析研究進展 5.1 引言 5.2 問題的數學刻畫 5.2.1 CCA數學描述 5.2.2 相關性與互信息之間的關係 5.2.3 CCA其他多元分析方法之間的關係 5.2.4 核CCA 5.3 CCA研究進展 5.3.1 CCA的應用 5.3.2 CCA計算方法的改進 5.3.3 基於CCA的擴展模型 5.4 結束語 參考文獻6 Rashomon特徵選擇 6.1 引言 6.1.1 Rashomon 6.1.2 模型多樣性問題 6.1.3 最簡單的Rashomon問題——特徵選擇 6.2 特徵選擇 6.2.1 經典特徵選擇的類型 6.2.2 Filter類型特徵選擇 6.2.3 Relief算法 6.3 基於Reduct的特徵選擇 6.3.1 BNA(D)與誤差 6.3.2 Reduct作為特徵選擇的解答 6.4R ashomon特徵選擇 6.4.1 基於全序的Reduct算法 6.4.2 Rashomon特徵選擇 6.5 次屬性原理 6.5.1 次屬性 6.5.2 次屬性原理 6.6 Rashomon特徵選擇的計算 6.6.1 優化規則 6.6.2 算法 6.7 總結與問題 參考文獻7 復雜網絡上的學習 7.1 引言 7.2 分類器網絡及Boosting學習 7.2.1 NetWork Boosting算法 7.2.2 算法收斂性 7.2.3 UCI數據集上的實驗結果 7.3 網絡拓撲結構對於NetWork Boosting算法性能的影響 7.3.1 Bias－Variance－Covariance 7.3.2 連接度數變化對於樣本權重分布之間相關性的影響 7.3.3 不同連接概率的隨機圖上的對比實驗結果 7.4 分布式環境中的分類器網絡 7.4.1 分布式NetworkBoosting算法 7.4.2 分布式環境中監督學習實驗結果 7.4.3 總結 參考文獻8 聚類分析的新進展——譜聚類綜述 8.1 譜聚類算法的由來 8.2 無嚮圖的拉普拉斯矩陣性質 8.3 基於圖劃分的譜聚類算法 8.4 譜聚類算法誘導的異質聚類 8.5 譜聚類算法的進一步討論 參考文獻9 機器學習與自然語言處理 9.1 引言 9.2 自然語言處理的主攻方嚮 9.3 文學語言對機器學習提齣的挑戰 9.3.1 隱喻和影射 9.3.2 引用典故 9.3.3 遣詞造句的形象化 9.3.4 誇張 9.3.5 雙關 9.3.6 擬人化 9.4 服務於機器學習的語言資源建設 9.5 機器學習方法的實踐 9.5.1 詞義消歧研究 9.5.2 情感傾嚮分析 9.5.3 隱喻識彆 9.5.4 小結 9.6 結束語 參考文獻10 監督流形學習 10.1 引言 10.2 基礎 10.2.1 流形 10.2.2 嵌入 10.3 流形學習簡介及LLE算法 lO.3.1 流形學習的目的和基本思路 10.3.2 算法有效性分析 10.3.3 LLE算法介紹 10.4 監督流形學習 10.4.1 相關研究介紹 10.4.2 監督流形學習中麵臨的問題 10.5 基於Gabor基的監督流形學習 10.5.1 Gabor特徵錶示 10.5.2 ULLELDA算法 10.5.3 基於Gabor基的監督流形學習實驗 10.5.4 En—ULLELDA算法 10.5.5 基於集成流形學習的實驗 10.6 MUSNACAL算法和En—MUSNACAL算法 10.6.1 覆蓋算法 10.6.2 雙嚮RBF映射模型 10.6.3 分類 10.6.4 En—MUSNACAL算法 10.6.5 基於MUSNAcAL算法和En—MUSNACAL算法的實驗 10.6.6 小結 10.7 討論與總結 參考文獻11 超完備拓撲獨立分量分析 11.1 引言 11.2 超完備錶示模型與算法 11.3 超完備錶示實驗仿真 11.4 結束語 參考文獻12 商空間框架下的機器學習方法 12.1 人類智能的主要特徵 12.1.1 人類全局分析問題的能力 12.1.2 人類局部分析問題的能力 12.2 智能的數學模型 12.2.1 全局分析能力的數學模型——粒度分析(計算)的 商空間模型 12.2.2 局部分析能力的數學模型——構造性學習方法(覆蓋算法) 12.2.3 兩者的綜閤 12.3 商空間粒度計算 12.3.1 粒度與模糊關係 12.4 商空間粒度分析的方法 12.4.1 對論域取粒度 12.4.2 對屬性取粒度 12.4.3 對結構取粒度 12.4.4 商空間粒度計算的基本原理 12.5 構造性機器學習方法 12.5.1 覆蓋算法 12.5.2 具有粒度結構知識的獲取 12.5.3 基於商空間的覆蓋算法 12.6 小結 參考文獻13 半監督學習中的協同訓練風範 13.1 引言 13.2 半監督學習 13.3 協同訓練算法 13.4 協同訓練理論分析 13.5 協同訓練的應用 13.6 結束語 參考文獻
· · · · · · (收起)