基于矩阵分解的信息融合方法与应用

本书介绍了目前流行的多视角学习融合方法，并 针对现有方法的不足，研究了基于矩阵分解的信息融 合模型、考虑图正则化的矩阵分解融合模型和基于矩 阵分解的预测模型。并将其应用到跨模态检索等任务 中；介绍了最新的多视角数据整合方法及原理，以供 业内同行和致力于机器学习的研究人员借鉴。本书针 对多视角机器学习中的信息融合。提出了一系列准确 度高、稳定性强的方法。可以解决不同视角间信息的 合理利用与融合问题。

1 绪论 1.1 研究背景与研究意义 1.1.1 研究背景 1.1.2 研究意义 1.2 国内外研究进展 1.2.1 信息融合研究现状述评 1.2.2 基于机器学习的信息融合研究现状述评 1.2.3 存在的主要问题 1.3 研究内容与本书结构 1.3.1 研究内容 1.3.2 本书结构 1.4 本书主要贡献 2 信息融合相关理论 2.1 信息融合概念与原理 2.1.1 信息融合概念 2.1.2 信息融合原理 2.2 信息融合策略 2.2.1 早期融合 2.2.2 中期融合 2.2.3 后期融合 2.3 子空间学习理论 2.3.1 多视角谱聚类 2.3.2 连接的多视角非负矩阵分解 2.3.3 一致的多视角非负矩阵分解 2.3.4 基于多图的信息融合 2.4 本章小结 3 基于对称非负矩阵分解的信息融合模型 3.1 对称非负矩阵分解 3.1.1 相似性度量 3.1.2 目标函数与优化 3.2 SNMF与核K均值聚类、谱聚类的等效性 3.2.1 核K均值聚类 3.2.2 谱聚类 3.2.3 实例 3.3 基于对称非负矩阵分解的聚类融合模型 3.3.1 建模思想 3.3.2 基本假设和一致性矩阵表述 3.3.3 基于对称非负矩阵分解的聚类融合模型的建立 3.3.4 算法优化 3.4 实例分析与讨论 3.4.1 数据集描述与预处理 3.4.2 实验结果 3.4.3 分析与讨论 3.5 本章小结 4 考虑图正则化的对称非负矩阵分解信息融合模型 4.1 正则化思想 4.1.1 正则化理论 4.1.2 图正则化框架 4.2 基于Laplacian正则化的对称非负矩阵分解融合模型 4.2.1 建模思想概述 4.2.2 基本假设 4.2.3 基于Laplacian正则化的对称非负矩阵分解融合模型 4.2.4 算法优化 4.2.5 实例分析与讨论 4.3 基于Hessian正则化的对称非负矩阵分解融合模型 4.3.1 建模思想概述 4.3.2 基本假设和定义 4.3.3 基于Hessian正则化的对称非负矩阵分解融合模型 4.3.4 算法优化 4.3.5 实例分析与讨论 4.4 基于对称非负矩阵分解的预测模型 4.4.1 基于对称非负矩阵分解的实时样本预测模型 4.4.2 实验分析与讨论 4.5 本章小结 5 基于对称非负矩阵分解融合模型在跨模态检索中的应用 5.1 跨模态检索 5.1.1 相关研究 5.1.2 基于SNMF融合模型的跨模态检索框架 5.2 数据集描述与预处理 5.2.1 数据集描述 5.2.2 预处理与标准化 5.2.3 评价指标 5.3 结果验证与分析 5.3.1 MAP指标上的性能表现 5.3.2 PR指标上的性能表现 5.3.3 其他指标上的表现 5.4 现实问题与对策 5.4.1 最优的聚类结构与最优的关联 5.4.2 较小的重构误差与较好的关联 5.4.3 低层的关联与抽象层的关联 5.4.4 流形学习与实时样本上的泛化 5.5 本章小结 6 其他多视角信息融合模型及应用 6.1 多层异构模块的发现与识别 6.2 其他基于非负矩阵分解的方法 6.2.1 基于网络正则化的异构网络协同模块发现算法 6.2.2 基因一药物协同模块发现（Ping-pong algorithm） 6.2.3 基于三因子联合非负矩阵分解的协同模块发现算法 6.2.4 基于正交的跨物种网络聚类框架 6.2.5 稀疏多块偏最小二乘回归方法 6.2.6 稀疏网络正则化的偏最小二乘 6.2.7 多源数据中的高阶相关整合 6.2.8 高阶逻辑关系——跨越对的相互作用 7 总结与展望 7.1 工作总结 7.2 研究展望 参考文献 附录 致谢