诺森图书音像专营店
  • 扫码下单

  • 音像面向特殊样本形式的多视角学习问题及其解决方法朱昌明
  • 正版
    • 作者: 朱昌明著 | 朱昌明编 | 朱昌明译 | 朱昌明绘
    • 出版社: 科学出版社
    • 出版时间:2022-03-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    店铺装修中

    商家:
    诺森图书音像专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    诺森图书音像专营店

  • 商品参数
    • 作者: 朱昌明著| 朱昌明编| 朱昌明译| 朱昌明绘
    • 出版社:科学出版社
    • 出版时间:2022-03-01
    • 版次:1
    • 印次:1
    • 字数:250000
    • 页数:188
    • 开本:16开
    • ISBN:9787030714039
    • 版权提供:科学出版社
    • 作者:朱昌明
    • 著:朱昌明
    • 装帧:平装
    • 印次:1
    • 定价:109.00
    • ISBN:9787030714039
    • 出版社:科学出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2022-03-01
    • 页数:188
    • 外部编号:1202597014
    • 版次:1
    • 成品尺寸:暂无

    《博士后文库》序言
    前言
    章 背景
    第2章 主要问题
    2.1 实时产生且信息可变
    2.2 有效样本信息不足
    2.2.1 有标签样本数目不足
    2.2.2 信息缺失
    . 多种样本信息之间关联复杂
    2.4 问题展开及本书工作
    第3章 半监督在线多视图学习机
    3.1 引言
    3.1.1 传统多视图学习及其问题
    3.1.2 OPMV的提出
    3.1.3 OPMV的问题
    3.1.4 SSOPMV的提出
    3.2 在线多视图学习
    3.2.1 OPMV
    3.2.2 模型优化
    3.3 半监督在线多视图学习机
    3.3.1 通过Universum创建额外无标签样本
    3.3.2 SSOPMV的实现
    3.4 实验
    3.4.1 实验设置
    3.4.2 在不经常更新的多视图数据集上的测试准确率比较
    3.4.3 在经常更新的多视图数据集上的测试准确率比较
    3.4.4 不同的额外无标签样本生成方法之间的比较
    3.4.5 在线学习相关的学习机与整体存储相关的学习机的对比
    3.4.6 有标签样本的百分比对学习机能影响
    3.4.7 △t的影响
    3.5 本章小结
    第4章 具有可变特征和视图的半监督在线多视图学习机
    4.1 引言
    4.1.1 传统的多视图学习机存在的问题
    4.1.2 传统多视图学习机问题的解决方案
    4.1.3 SOMVFV的提出、创新点、动机和贡献
    4.2 相关工作
    4.2.1 半监督学习机
    4.2.2 在线学习机
    4.. 具有可变特征或视图的多视图学习机
    4.3 具有可变特征和视图的半监督在线多视图学习
    4.4 实验
    4.4.1 实验设置
    4.4.2 在单视图小规模数据集上分类能的比较
    4.4.3 在单视图大规模数据集上分类能的比较
    4.4.4 在多视图小规模数据集上分类能的比较
    4.4.5 在多视图大规模数据集上分类能的比较
    4.5 本章小结
    第5章 具有Universum的基于秩一致的多视图学习
    5.1 引言
    5.1.1 问题和解决方法
    5.1.2 RANCU的提出和优势
    5.2 实验
    5.2.1 实验设置
    5.2.2 实验内容
    5.3 本章小结
    第6章 改进的具有五层样本信息的多矩阵学习机
    6.1 引言
    6.1.1 背景介绍
    6.1.2 动机和提出
    6.1.3 贡献
    6.2 使用五种样本信息提升多矩阵分类器能
    6.2.1 创建IBU样本
    6.2.2 IMMFI框架
    6.3 实验
    6.3.1 实验设置
    6.3.2 分类能的比较
    6.3.3 验IMMFI在跟踪问题中的有效
    6.4 本章小结
    第7章 基于权重的无标签多视图数据集生成方法
    7.1 引言
    7.1.1 背景介绍
    7.1.2 提出、动机和贡献
    7.2 基于权重的未知标签多视图数据集生成方法
    7.2.1 基于WMVC获得视图和特征的权重
    7.2.2 获得每个已知标签的多视图样本的相似样本
    7.. 生成可行的未知标签的多视图数据集
    7.3 实验
    7.3.1 实验设置
    7.3.2 现实数据集的能比较
    7.4 本章小结
    第8章 基于权重和Universum的半监督多视图学习机
    8.1 引言
    8.1.1 重体
    8.1.2 研究问题
    8.1.3 研究目标
    8.1.4 WUSM模型的提出、动机和
    8.1.5 贡献
    8.2 相关工作
    8.2.1 半监督多视图学习机
    8.2.2 Universum学习
    8.. 构造Universum集的方法
    8.3 基于权重和Universum的半监督多视图学习机
    8.3.1 构建WUSM的步骤
    8.3.2 视图和特征的应用
    8.3.3 计算复杂度分析
    8.3.4 收敛
    8.3.5 WUSM的优势
    8.4 实验
    8.4.1 实验设置
    8.4.2 不同应用间能比较
    8.5 本章小结
    第9章 新的具有不完整数据的多视图学习机
    9.1 引言
    9.1.1 背景介绍
    9.1.2 经典的学习机
    9.1.3 问题
    9.1.4 相应的解决方案
    9.1.5 贡献
    9.2 MVL-IV框架
    9.3 具有不完整数据的多视图学习机
    9.3.1 数据准备
    9.3.2 目标及模型
    9.3.3 模型实现
    9.3.4 流程
    9.4 实验
    9.4.1 实验设置
    9.4.2 回归问题的比较
    9.4.3 关于二分排名问题的比较
    9.4.4 关于图像搜索问题的比较
    9.4.5 计算复杂度比较
    9.5 本章小结
    0章 具有不完整视图和标签的多视图多标签学习
    10.1 引言
    10.1.1 多视图多标签数据集
    10.1.2 传统的多视图多标签学习机存在的问题及解决方案
    10.1.3 目标
    10.1.4 和贡献
    10.2 具有不完整视图和标签的多视图多标签学习
    10.2.1 数据准备
    10.2.2 具有标签特定特征的多视图多标签学习
    10.. 具有不完整标签的多视图多标签学习
    10.2.4 具有不完整视图的多视图多标签学习
    10.2.5 具有全局和局部关联的多视图多标签学习
    10.2.6 基于不同视图补充信息的多视图多标签学习
    10.2.7 MVML-IVL的目标函数
    10.2.8 实现
    10.3 实验
    10.3.1 实验设置
    10

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购