机器学习及其应用2011

机器学习是计算机科学和人工智能中非常重要的一个研究领域。近年来，机器学习不仅在计算机科学的众多领域中大显身手，还成为一些交叉学科的重要支持技术。《机器学习及其应用2011》邀请国内外相关领域的专家撰文，以综述的形式分别介绍机器学习不同分支及相关领域的研究进展。全书共分14章，内容分别涉及因果推断、流形学习与降维、迁移学习、类别不平衡学习、演化聚类、多标记学习、排序学习、半监督学习等技术和协同过滤、社区推荐、机器翻译等应用，以及互联网应用对机器学习技术需求的探讨。《机器学习及其应用2011》可供计算机、自动化及相关专业的研究人员、教师、研究生和工程技术人员参考。

因果推断的可分解性和可传递性问题
1 引言
2 图模型结构学习的可分解条件
3 直接作用和间接作用
3.1 基于关联模型的直接作用与间接作用
3.2 基于因果模型的主分层直接作用
3.3 控制的和自然的直接作用
4 因果作用的可传递性问题
5 讨论
参考文献

机器学习的几何观点
1 引言
2 监督学习、半监督学习与无监督学习
3 基于几何拓扑的降维算法
3.1 流形降维
3.2 几何和拓扑
3.3 保局投影
4 主动学习和半监督学习：基于几何的观点
5 结束语和展望
参考文献

协同过滤与链接预测的迁移学习问题
1 引言
1.1 问题背景
1.2 相关研究工作综述
2 基于矩阵分解的潜在特征空间共享
2.1 组级评分矩阵共享
2.2 项目潜在特征共享
3 协同过滤的迁移学习
3.1 评分矩阵生成模型
3.2 实验结果
4 链接预测的迁移学习
4.1 集体链接预测模型
4.2 实验结果
5 结语
参考文献

LDA的并行化运算及其应用
1 引言
2 LDA算法介绍
3 LDA算法的并行化一一PLDA
4 LDA算法的进一步并行化一一PLDA十
5 AdHeat算法一一PLDA在社区推荐中的应用
6 结束语
参考文献

关于二类模式分类问题的分解
1 引言
2 最小最大模块化网络
2.1 问题分解
2.2 模块集成
3 高斯零交叉函数最小最大模块化网络
3.1 高斯零交叉函数
3.2 高斯零交叉函数最小最大模块化网络的特点
3.3 与其他分类器的关系
4 大规模二类问题的分解策略
4.1 随机分解
4.2 超平面分解
4.3 聚类分解
4.4 基于先验知识的分解
5 大规模不平衡专利数据分类
5.1 实验数据
5.2 最小最大模块化Lib1inear
5.3 性能评价指标
5.4 Section层上A类为正类的二类问题实验
5.5 Section层上的全部二类问题实验
6 结论
……
面向降维的图构建技术
统计词对齐
概念、相似性与聚类分析
互联网行业对机器学习和其他计算技术的需求
基于指数族混合模型的在线式演化聚类算法
多标记学习
Ranking on Large-scale Graphs with Rich Metadata
Semi-supervised Learnin~with Mixed Unlabeled Data
Learning with Local Consistency