基于低维模型的高维数据分析：原理、计算和应用

定　价：¥199.00

作　者：	[美]约翰·莱特, 马毅
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

当当网 (¥149.20)

ISBN：	9787111757931	出版时间：	2024-09-01	包装：	平装-胶订
开本：	16开	页数：		字数：

内容简介

　　本书主要介绍从高维数据中感知、处理、分析和学习低维结构的基本数学原理和高效计算方法，系统地归纳了建模高维空间中低维结构的数学原理，梳理了处理高维数据模型的可扩展高效计算方法，阐明了如何结合领域具体知识或考虑其他非理想因素来正确建模并成功解决真实世界中的应用问题。本书包括基本原理、计算方法和真实应用三个部分：基本原理部分系统地介绍稀疏、低秩和一般低维模型的基本性质和理论结果，计算方法部分介绍解决凸优化和非凸优化问题的有效算法，真实应用部分通过实例演示利用前两部分的知识改进高维数据处理和分析问题的解决方案。本书适合作为计算机科学、数据科学和电气工程专业的高年级本科生和研究生的教材，也适合学习稀疏性、低维结构和高维数据课程的学生参考。

作者简介

　　约翰·莱特（John Wright）哥伦比亚大学电气工程系副教授。2009~2011年曾在微软亚洲研究院工作。他的研究方向是高维数据分析，目前致力于开发从不完整的、被损坏的观测中稳健地恢复结构化信号表示的高效算法，并将其应用于科学成像和计算机视觉问题。他曾获得2009年Lemelson-Illinois创新奖、2009年UIUC Martin研究生卓越研究奖、2012年COLT最佳论文奖。他拥有伊利诺伊大学厄巴纳-香槟分校博士学位。马毅香港大学教授，数据科学研究院院长，计算与数据科学学院院长；加州大学伯克利分校电气工程与计算机科学系教授。曾任教于上海科技大学和伊利诺伊大学厄巴纳-香槟分校，曾任微软亚洲研究院计算机视觉组主任及首席研究员。他的研究兴趣包括三维计算机视觉、高维数据的低维模型、可扩展优化算法和机器学习，这几年来的研究主题包括低维结构与深度网络的关系以及智能系统的计算原理。他是IEEE、ACM和SIAM会士。他拥有加州大学伯克利分校博士学位。

图书目录

目录
译者序
推荐序
前言
致谢
符号表
第 1 章绪论 1
1.1 最普遍的任务: 寻找低维结构 1
1.1.1 系统辨识和时序数据 1
1.1.2 人造世界中的模式和秩序 3
1.1.3 高效数据采集和处理 4
1.1.4 用图模型解释数据 7
1.2 简史.8
1.2.1 神经科学: 稀疏编码 9
1.2.2 信号处理: 稀疏纠错 .11
1.2.3 经典统计: 稀疏回归分析 14
1.2.4 数据分析: 主成分分析 16
1.3 当代 18
1.3.1 从高维灾难到高维福音 18
1.3.2 压缩感知、误差纠正和深度
学习.20
1.3.3 高维几何和非渐统计 21
1.3.4 可扩展优化: 凸与非凸 23
1.3.5 一场完美的风暴 25
1.4 习题 25
第一部分基本原理
第 2 章稀疏信号模型 28
2.1 稀疏信号建模的应用 28
2.1.1 医学影像中的实例 29
2.1.2 图像处理中的实例 32
2.1.3 人脸识别的实例 34
2.2 稀疏解的恢复 35
2.2.1 线性空间上的范数 36
2.2.2 .0 范数 38
2.2.3 最稀疏的解: 最小化 .0
范数.38
2.2.4 .0 最小化的计算复杂度.41
2.3 对稀疏恢复问题进行松弛 44
2.3.1 凸函数 .44
2.3.2 .0 范数的凸替代: .1 范数 .46
2.3.3 .1 最小化的简单测试 48
2.3.4 基于 Logan 现象的稀疏
纠错.53
2.4 总结 54
2.5 注记 55
2.6 习题 56
第 3 章稀疏信号恢复的凸方法 61
3.1 为什么 .1 最小化能够成功? 几何
直观 61
3.2 关于不相干矩阵的第一正确性
结果 64
3.2.1 矩阵的相干性 64
3.2.2 .1 最小化的正确性 66
3.2.3 构造一个不相干矩阵 69
3.2.4 不相干性的局限性 71
3.3 更强的正确性结果 73
3.3.1 受限等距性质 73
3.3.2 受限强凸性条件 75
3.3.3 RIP 条件下 .1 最小化的正
确性.79
3.4 具有受限等距性质的矩阵 82
XXIV
3.4.1 Johnson-Lindenstrauss
引理.82
3.4.2 高斯随机矩阵的 RIP .85
3.4.3 非高斯矩阵的 RIP.89
3.5 含噪观测或者似稀疏性 91
3.5.1 稀疏信号的稳定恢复 92
3.5.2 非精确稀疏信号的恢复 100
3.6 稀疏恢复中的相变.102
3.6.1 关于相变的主要结论 103
3.6.2 通过系数空间几何看相变 104
3.6.3 通过观测空间几何看相变 107
3.6.4 支撑恢复的相变 108
3.7 总结 115
3.8 注记 116
3.9 习题 117
第 4 章低秩矩阵恢复的凸方法 120
4.1 低秩建模的一些实例 121
4.1.1 从光度测量中重建三维
形状 121
4.1.2 推荐系统.122
4.1.3 欧几里得距离矩阵嵌入 123
4.1.4 潜语义分析.124
4.2 用奇异值分解表示低秩矩阵.124
4.2.1 基于非凸优化的奇异向量 125
4.2.2 最佳低秩矩阵似 128
4.3 恢复低秩矩阵 128
4.3.1 一般的秩最小化问题 128
4.3.2 秩最小化的凸松弛 129
4.3.3 核范数作为秩的凸包络 132
4.3.4 秩 RIP 条件下的核范数最小化
问题 134
4.3.5 随机测量的秩 RIP 139
4.3.6 噪声、非精确低秩和相变 144
4.4 低秩矩阵补全 149
4.4.1 利用核范数最小化求解矩阵
补全 150
4.4.2 增广拉格朗日乘子法 150
4.4.3 核范数最小化何时能够成
功? .153
4.4.4 证明核范数最小化的正
确性 155
4.4.5 含噪声的稳定矩阵补全 166
4.5 总结 167
4.6 注记 168
4.7 习题 169
第 5 章分解低秩加稀疏矩阵 175
5.1 鲁棒主成分分析和应用实例.175
5.1.1 问题描述.175
5.1.2 矩阵刚性和植入团猜想 176
5.1.3 鲁棒主成分分析的应用 178
5.2 基于主成分追踪的鲁棒主成分
分析 180
5.2.1 稀疏低秩分离的凸松弛 180
5.2.2 用交替方向法求解主成分
追踪 181
5.2.3 主成分追踪的数值仿真与
实验 182
5.3 可辨识性和精确恢复 187
5.3.1 可辨识性条件 .187
5.3.2 主成分追踪的正确性 189
5.3.3 对主要结果的一些扩展 198
5.4 含噪声的稳定主成分追踪 201
5.5 压缩主成分追踪 205
5.6 带有被损坏元素的矩阵补全.206
5.7 总结 208
5.8 注记 209
5.9 习题 210
第 6 章恢复广义低维模型 214
6.1 简明信号模型 214
6.1.1 原子集合及几个例子 215
6.1.2 结构化信号的原子范数最
小化 218
XXV
6.2 几何、测度集中与相变 221
6.2.1 作为两个不相交的锥的成功
条件 221
6.2.2 固有体积与运动公式 223
6.2.3 统计维数与相变 226
6.2.4 .1 范数下降锥的统计
维数 229
6.2.5 分解结构化信号中的
相变 232
6.3 凸松弛的局限性 235
6.3.1 多重结构的凸松弛的次
优性 235
6.3.2 高阶张量不可计算的凸
松弛 236
6.3.3 双线性问题没有凸松弛 237
6.3.4 非线性低维结构的存在 237
6.3.5 非凸问题表述和非凸优化的
回归 238
6.4 注记 238
6.5 习题 239
第 7 章恢复低维模型的非凸方法.241
7.1 简介 241
7.1.1 非线性、对称性与非凸性 242
7.1.2 对称性和优化问题的全局
几何 245
7.1.3 对称非凸问题的分类 246
7.2 具有旋转对称性的非凸问题.248
7.2.1 极简的例子: 只含一个未知数
的相位恢复.248
7.2.2 广义相位恢复 .249
7.2.3 低秩矩阵恢复 .252
7.2.4 其他具有旋转对称性的非凸
问题 258
7.3 具有离散对称性的非凸问题.258
7.3.1 极简例子: 1-稀疏的字典
学习 259
7.3.2 字典学习.262
7.3.3 稀疏盲解卷积 .264
7.3.4 其他具有离散对称性的非凸