开放环境下的度量学习研究

第1章 绪论
1.1 引言 1
1.2 度量学习简介 4
1.3 开放环境的特点 8
1.4 开放环境的研究进展 11
1.5 本书概要 12
第2章 度量学习研究进展
2.1 监督学习 15
2.2 度量学习 18
2.2.1 距离度量 18
2.2.2 度量学习的学习目标 20
2.2.3 度量学习算法评测 22
2.3 度量学习的相关算法 23
2.3.1 全局度量学习方法 23
2.3.2 多度量学习方法 24
2.3.3 高效度量学习方法 26
2.4 开放环境下度量学习的研究思路 27
第3章 开放环境下度量学习的样本复杂度分析
3.1 引言 31
3.2 现有的度量学习理论结果 35
3.3 基于函数性质的度量学习样本复杂度改进 38
3.3.1 基本定义 38
3.3.2 主要结论及讨论 39
3.4 基于度量重用的度量学习样本复杂度 44
3.5 实验验证 48
3.6 本章小结 63
第4章 基于度量学习和语义映射的异构模型修正
4.1 引言 65
4.2 相关工作 68
4.3 基于度量语义映射的模型重用框架REFORM 70
4.3.1 符号表示 70
4.3.2 同构空间中的模型重用 71
4.3.3 异构特征空间中的重用模型 73
4.3.4 代价矩阵和特征元表示 75
4.3.5 EMIT：编码特征元信息 77
4.4 模型重用框架REFORM的具体实现 80
4.4.1 自适应尺度的REFORM实现方法 81
4.4.2 学习变换的REFORM实现方法 83
4.5 实验验证 84
4.5.1 不同参数设置下人造数据集的分类任务 85
4.5.2 不同时间段下的用户质量分类 89
4.5.3 不同时间段下的论文主题分类 91
4.6 本章小结 93
第5章 多语义环境下的多度量学习方法探究
5.1 引言 95
5.2 多度量学习方法的相关工作 100
5.3 考虑多语义的多度量学习方法UM2L 101
5.3.1 统一的多度量学习框架 102
5.3.2 基于算子k引申出的多样化语义 104
5.3.3 UM2L统一的求解算法 108
5.3.4 UM2L的泛化性能分析 112
5.3.5 UM2L的深度度量学习扩展 114
5.4 多度量自适应选择框架LIFT 115
5.4.1 LIFT框架的主要思想与讨论 115
5.4.2 LIFT框架的理论分析 118
5.4.3 LIFT框架优化策略 125
5.4.4 LIFT方法的全局度量版本 135
5.5 实验验证 135
5.5.1 分类性能测试 136
5.5.2 UM2L在不同类型实际问题中的应用 141
5.5.3 LIFT自适应性验证 153
5.6 本章小结 158
第6章 考虑噪声影响的开放环境鲁棒度量学习
6.1 引言 160
6.2 相关工作 163
6.3 考虑样本扰动的鲁棒度量学习DRIFT 164
6.3.1 度量学习中的样本噪声扰动 165
6.3.2 DRIFT的优化方法 169
6.3.3 DRIFT算法的优化加速 173
6.4 实验验证 175
6.4.1 人造数据集上的可视化实验 176
6.4.2 实验数据集上的算法性能比较 177
6.4.3 算法的鲁棒性测试 181
6.5 本章小结 185
第7章 总结与展望
7.1 本书工作总结 188
7.2 未来研究展望 191