面向特殊样本形式的多视角学习问题及其解决方法

本书主要介绍多视图学习的产生背景、存在的主要问题和相应的解决方案。针对实时产生且信息可变、有效样本信息不足、多种样本信息之间关联复杂等特殊样本形式的多视图数据集，本书逐一提出可行的方案并加以对比，深入浅出地描述了这些方案的优势、劣势和应用场景。 本书可作为模式识别专业研究生和学者的参考书，也可供多视图学习等领域的科研人员阅读。

《博士后文库》序言
前言
第1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
2.3 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性能影响
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
4.2.3 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性能的比较
4.4.3 在单视图大规模数据集上分类性能的比较
4.4.4 在多视图小规模数据集上分类性能的比较
4.4.5 在多视图大规模数据集上分类性能的比较
4.5 本章小结
第5章 具有Universum的基于秩一致性的多视图学习
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性能
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 分类性能的比较
6.3.3 验证IMMFI在跟踪问题中的有效性
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
7.2.3 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 现实数据集的性能比较
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 重要性体现
8.1.2 研究问题
8.1.3 研究目标
8.1.4 WUSM模型的提出、动机和性
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
8.2.3 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 收敛性
8.3.5 WUSM的优势
8.4 实验
8.4.1 实验设置
8.4.2 不同应用间性能比较
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 最终流程
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
第10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 性和贡献
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
10.2.3 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最终的目标函数
10.2.8 实现
10.3 实验
10.3.1 实验设置
10