江莱图书专营店
  • 扫码下单

  • [正版新书]集成多标签学习方法 夏跃龙、唐明靖 清华大学出版社 集成学习;多标签学习;空间集成;网络集成;蒸馏集成
  • 新商品上架
    • 作者: 夏跃龙//唐明靖著
    • 出版社: 清华大学出版社
    • 出版时间:2025-03
    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:
    江莱图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    江莱图书专营店

  • 商品参数
    • 作者: 夏跃龙//唐明靖著
    • 出版社:清华大学出版社
    • 出版时间:2025-03
    • 开本:16开
    • ISBN:9787302682363
    • 版权提供:清华大学出版社

     书名:  集成多标签学习方法
     出版社:  清华大学出版社
     出版日期  2025
     ISBN号:  9787302682363

    随着社会需求的变化,越来越多的人工智能应用涉及多标签学习问题,如文本分类、语义标注、社交网络、基因预测和疾病诊疗等,多标签学习已成为当前人工智能领域的研究热点之一。本书基于集成学习相关理论,围绕多标签局部依赖、多标签缺失补全、极端量级多标签学习、长尾多标签学习和开放词多标签学习等一系列问题进行展开,提出了一系列高效的集成多标签学习方法。我们提出了一种集成多标签学习方法,该方法巧妙融合了多标签学习与集成学习的优势,旨在克服传统多标签学习在多样化应用场景中面临的挑战。本书将详细阐述方法在不同实际场景下的具体解决方案及其背后的技术支撑,同时,通过展示一些典型的实际应用问题解决案例,来验证提出方法在处理复杂、多维度标签任务上的优越性,为相关领域的研究与应用提供了宝贵的参考和启示。

    本书可作为高等院校计算机科学、人工智能及机器学习专业师生的教学参考书,也可为大数据处理、人工智能应用开发领域的专业人员、科技工作者及研究人员提供宝贵的实践指南与理论参考。


    夏跃龙,博士,云南师范大学硕士生导师,长期从事机器学习、数据挖掘和模式识别的基础理论研究,在深度集成学习、迁移学习、联邦学习等相关领域进行了深入研究。近年来,主持厅级项目2项,民族教育信息化教育部重点实验室开放基金1项,云南省智慧教育重点实验室开放基金1项,参与国家级/省部级项目4项,中央军民融合项目1项,发明专利1项,发表SCI/EI论文10余篇,获云南省教学成果二等奖1项,获工信部人工智能应用工程(高级)证书,华为昇腾AI人工智能结业,相关研究成果主要发表于国际知名学术期刊与会议,成果主要应用于多标签学习、多模态迁移学习、联邦学习、智慧医疗、智慧教育等大数据分析系统,拥有丰富的项目开发经验。

    (1)本书以集成多标签学习为核心,围绕当前多标签学习方法存在的问题展开,针对多标签局部依赖问题、多标签缺失补全问题、极端量级多标签学习问题、长尾多标签学习问题和开放词多标签学习问题进行论述,提出了一系列高效的集成多标签学习方法。

    (2)书中包括集成学习、多标签学习、深度学习相关原理、算法和应用实例,章节安排合理,适合想要深入了解集成多标签学习领域的学者阅读。




    目录





    第1章绪论


    1.1背景及意义


    1.2多标签学习研究现状


    1.2.1传统多标签学习方法


    1.2.2深度多标签学习方法


    1.3多标签学习评估标准


    1.4多标签学习面临的挑战


    1.5本章小结


    第2章集成多标签学习相关理论


    2.1集成学习相关理论


    2.1.1偏差方差分解


    2.1.2统计、计算和表示


    2.1.3多样性


    2.2集成学习研究现状


    2.2.1传统集成学习


    2.2.2深度集成学习


    2.3需要考虑的两个问题


    2.4集成多标签学习方法


    2.5本书组织结构


    第3章基于加权堆叠选择集成的传统多标签学习


    3.1引言


    3.2问题描述


    3.3MLWSE算法设计


    3.3.1加权的堆叠集成


    3.3.2基于稀疏正则的分类器选择


    3.3.3标签依赖关系的建模


    3.3.4多标签的预测


    3.4MLWSE算法优化


    3.4.1MLWSEL1优化


    3.4.2MLWSEL21优化


    3.5实验结果与分析


    3.5.12D仿真实验


    3.5.2Benchmark基准实验


    3.5.3Realworld数据实验


    3.5.4Friedman检验分析


    3.5.5参数敏感性分析


    3.5.6收敛性分析


    3.6本章小结


    第4章基于流形子空间集成的不完全多标签学习


    4.1引言


    4.2问题描述


    4.3BDMCEMR算法描述


    4.3.1联合的共嵌入学习


    4.3.2共享的标签嵌入


    4.3.3集成的流形正则嵌入


    4.3.4双向矩阵补全


    4.4BDMCEMR相关理论分析


    4.5BDMCEMR算法优化


    4.6实验结果与分析


    4.6.12D仿真实验


    4.6.2直推式不完全多标签学习


    4.6.3归纳式不完全多标签学习


    4.6.4Friedman检验分析


    4.6.5参数敏感性分析


    4.6.6时间复杂度分析


    4.7本章小结


    第5章基于不同表征网络集成的极端多标签学习


    5.1引言 


    5.2问题描述


    5.3HybridRCNN框架


    5.3.1空间语义信息表征


    5.3.2时序语义信息表征


    5.3.3自适应权重集成预测


    5.4改进的MultiVTransformer框架


    5.4.1多视图注意力Transformer表征


    5.4.2极端多标签聚类学习


    5.4.3约简的标签集嵌入学习


    5.4.4集成的MultiVTransformer预测


    5.5中间量级多标签文本实验分析


    5.5.1实验设置


    5.5.2CNNRNN集成结构比较


    5.5.3注意力机制网络结构比较


    5.5.4HybridRCNN消融分析


    5.5.5HybridRCNN可视化分析


    5.5.6HybridRCNN时间复杂度比较


    5.6极端量级多标签文本实验分析


    5.6.1实验设置


    5.6.2极端多标签实验比较


    5.6.3MultiVTransformer集成消融分析


    5.6.4MultiVTransformer聚类学习分析


    5.7本章小结


    第6章基于自蒸馏集成网络的长尾多标签学习


    6.1引言


    6.2问题描述


    6.3监督的OLSD自蒸馏集成框架


    6.3.1特征一致性表征学习


    6.3.2平衡自蒸馏向导知识迁移


    6.3.3倾向尾类多数的Mixup增强


    6.3.4相关理论分析


    6.4改进的自监督DSSED表征蒸馏集成框架


    6.4.1Mixup对比表征学习


    6.4.2最大化互信息表征蒸馏


    6.4.3logits补偿多标签分类器学习


    6.4.4相关理论分析


    6.5监督OLSD实验结果与分析


    6.5.1实验设置


    6.5.2单标签长尾数据实验分析


    6.5.3多标签长尾数据实验分析


    6.6自监督DSSED实验结果与分析


    6.6.1自监督DSSED表征性能实验分析


    6.6.2下游Manyshot和Fewshot任务实验分析


    6.6.3下游长尾可视化识别任务实验分析


    6.6.4下游目标检测及语义分割任务实验分析


    6.7本章小结


    第7章基于多模态知识集成的开放词多标签学习


    7.1引言


    7.2问题描述


    7.3多模态知识集成的开放词多标签学习框架


    7.3.1多标签知识蒸馏


    7.3.2多模态原型对比表征蒸馏模块


    7.3.3多模态交叉图像结构对比蒸馏模块


    7.3.4动态的多标签原型校正


    7.4实验结果与分析


    7.4.1实验设置


    7.4.2与蒸馏方法实验比较


    7.4.3与非蒸馏方法实验比较


    7.4.4可视化注意力图


    7.4.5原型校正可视化分析


    7.5本章小结


    第8章总结和展望


    8.1本书总结


    8.2本书展望


    参考文献






     

    1
    • 商品详情
    • 内容简介

    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