123,123

內(nèi)容簡(jiǎn)介

　　《開放環(huán)境下的度量學(xué)習(xí)研究》由南京大學(xué)人工智能學(xué)院副研究員葉翰嘉撰寫，內(nèi)容榮獲2021年度CCF優(yōu)秀博士學(xué)位論文獎(jiǎng)。全書以模型在開放環(huán)境下輸入、輸出層面上面臨的挑戰(zhàn)為切入點(diǎn)，提出針對(duì)或利用度量學(xué)習(xí)特性的具體算法，從理論和應(yīng)用等多個(gè)角度使度量學(xué)習(xí)的研究能夠契合開放的環(huán)境?！堕_放環(huán)境下的度量學(xué)習(xí)研究》共七章：第1章緒論，主要介紹了度量學(xué)習(xí)、開放環(huán)境的特點(diǎn)、開放環(huán)境的研究進(jìn)展以及全書的概要。第2章度量學(xué)習(xí)研究進(jìn)展，首先介紹了監(jiān)督學(xué)習(xí)和度量學(xué)習(xí)；然后講解了三種度量學(xué)習(xí)的相關(guān)算法，包括全局度量學(xué)習(xí)方法、多度量學(xué)習(xí)方法、高效度量學(xué)習(xí)方法；*后介紹了開放環(huán)境下度量學(xué)習(xí)的研究思路。第3章開放環(huán)境下度量學(xué)習(xí)的樣本復(fù)雜度分析，首先展示了現(xiàn)有的度量學(xué)習(xí)理論結(jié)果，然后提出了基于函數(shù)性質(zhì)的度量學(xué)習(xí)樣本復(fù)雜度的改進(jìn)方案，以及基于度量重用的度量學(xué)習(xí)樣本復(fù)雜度的改進(jìn)方案。第4章基于度量學(xué)習(xí)和語(yǔ)義映射的異構(gòu)模型修正，首先介紹了相關(guān)工作；其次介紹了基于度量語(yǔ)義映射的模型重用框架REFORM；然后介紹了實(shí)現(xiàn)模型重用框架REFORM的具體方法，包括自適應(yīng)尺度的REFORM實(shí)現(xiàn)方法、學(xué)習(xí)變換的REFORM實(shí)現(xiàn)方法；*后展示了用于驗(yàn)證的實(shí)驗(yàn)流程和結(jié)果。第5章多語(yǔ)義環(huán)境下的多度量學(xué)習(xí)方法探究，首先介紹了多度量學(xué)習(xí)方法的相關(guān)工作；其次介紹了考慮多語(yǔ)義的多度量學(xué)習(xí)方法；然后介紹了多度量自適應(yīng)選擇框架；*后展示了用于驗(yàn)證的實(shí)驗(yàn)流程和結(jié)果。第6章考慮噪聲影響的開放環(huán)境魯棒度量學(xué)習(xí)，首先介紹了相關(guān)工作；然后介紹了考慮樣本擾動(dòng)的魯棒度量學(xué)習(xí)DRIFT；*后展示了用于驗(yàn)證的實(shí)驗(yàn)流程和結(jié)果。第7章總結(jié)與展望，總結(jié)了全書的研究?jī)?nèi)容，并對(duì)未來(lái)的研究方向和研究工作做出了展望。

作者簡(jiǎn)介

　　葉翰嘉，南京大學(xué)人工智能學(xué)院副研究員，在南京大學(xué)機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘研究所（LAMDA）從事學(xué)術(shù)研究工作。主要研究方向包括表示學(xué)習(xí)、元學(xué)習(xí)、模型復(fù)用等領(lǐng)域，相關(guān)研究成果已經(jīng)在開放環(huán)境系統(tǒng)、小樣本系統(tǒng)等實(shí)際場(chǎng)景下進(jìn)行使用。在人工智能、機(jī)器學(xué)習(xí)領(lǐng)域以作者身份發(fā)表學(xué)術(shù)論文二十余篇；擔(dān)任多個(gè)國(guó)內(nèi)外學(xué)術(shù)期刊會(huì)議的審稿人；曾獲得2021年度CCF優(yōu)秀博士學(xué)位論文獎(jiǎng)、江蘇省計(jì)算機(jī)學(xué)會(huì)青年科技獎(jiǎng)，被評(píng)為華為“耀星學(xué)者”。

圖書目錄

第1章緒論
1.1 引言 1
1.2 度量學(xué)習(xí)簡(jiǎn)介 4
1.3 開放環(huán)境的特點(diǎn) 8
1.4 開放環(huán)境的研究進(jìn)展 11
1.5 本書概要 12
第2章度量學(xué)習(xí)研究進(jìn)展
2.1 監(jiān)督學(xué)習(xí) 15
2.2 度量學(xué)習(xí) 18
2.2.1 距離度量 18
2.2.2 度量學(xué)習(xí)的學(xué)習(xí)目標(biāo) 20
2.2.3 度量學(xué)習(xí)算法評(píng)測(cè) 22
2.3 度量學(xué)習(xí)的相關(guān)算法 23
2.3.1 全局度量學(xué)習(xí)方法 23
2.3.2 多度量學(xué)習(xí)方法 24
2.3.3 高效度量學(xué)習(xí)方法 26
2.4 開放環(huán)境下度量學(xué)習(xí)的研究思路 27
第3章開放環(huán)境下度量學(xué)習(xí)的樣本復(fù)雜度分析
3.1 引言 31
3.2 現(xiàn)有的度量學(xué)習(xí)理論結(jié)果 35
3.3 基于函數(shù)性質(zhì)的度量學(xué)習(xí)樣本復(fù)雜度改進(jìn) 38
3.3.1 基本定義 38
3.3.2 主要結(jié)論及討論 39
3.4 基于度量重用的度量學(xué)習(xí)樣本復(fù)雜度 44
3.5 實(shí)驗(yàn)驗(yàn)證 48
3.6 本章小結(jié) 63
第4章基于度量學(xué)習(xí)和語(yǔ)義映射的異構(gòu)模型修正
4.1 引言 65
4.2 相關(guān)工作 68
4.3 基于度量語(yǔ)義映射的模型重用框架REFORM 70
4.3.1 符號(hào)表示 70
4.3.2 同構(gòu)空間中的模型重用 71
4.3.3 異構(gòu)特征空間中的重用模型 73
4.3.4 代價(jià)矩陣和特征元表示 75
4.3.5 EMIT：編碼特征元信息 77
4.4 模型重用框架REFORM的具體實(shí)現(xiàn) 80
4.4.1 自適應(yīng)尺度的REFORM實(shí)現(xiàn)方法 81
4.4.2 學(xué)習(xí)變換的REFORM實(shí)現(xiàn)方法 83
4.5 實(shí)驗(yàn)驗(yàn)證 84
4.5.1 不同參數(shù)設(shè)置下人造數(shù)據(jù)集的分類任務(wù) 85
4.5.2 不同時(shí)間段下的用戶質(zhì)量分類 89
4.5.3 不同時(shí)間段下的論文主題分類 91
4.6 本章小結(jié) 93
第5章多語(yǔ)義環(huán)境下的多度量學(xué)習(xí)方法探究
5.1 引言 95
5.2 多度量學(xué)習(xí)方法的相關(guān)工作 100
5.3 考慮多語(yǔ)義的多度量學(xué)習(xí)方法UM2L 101
5.3.1 統(tǒng)一的多度量學(xué)習(xí)框架 102
5.3.2 基于算子k引申出的多樣化語(yǔ)義 104
5.3.3 UM2L統(tǒng)一的求解算法 108
5.3.4 UM2L的泛化性能分析 112
5.3.5 UM2L的深度度量學(xué)習(xí)擴(kuò)展 114
5.4 多度量自適應(yīng)選擇框架LIFT 115
5.4.1 LIFT框架的主要思想與討論 115
5.4.2 LIFT框架的理論分析 118
5.4.3 LIFT框架優(yōu)化策略 125
5.4.4 LIFT方法的全局度量版本 135
5.5 實(shí)驗(yàn)驗(yàn)證 135
5.5.1 分類性能測(cè)試 136
5.5.2 UM2L在不同類型實(shí)際問(wèn)題中的應(yīng)用 141
5.5.3 LIFT自適應(yīng)性驗(yàn)證 153
5.6 本章小結(jié) 158
第6章考慮噪聲影響的開放環(huán)境魯棒度量學(xué)習(xí)
6.1 引言 160
6.2 相關(guān)工作 163
6.3 考慮樣本擾動(dòng)的魯棒度量學(xué)習(xí)DRIFT 164
6.3.1 度量學(xué)習(xí)中的樣本噪聲擾動(dòng) 165
6.3.2 DRIFT的優(yōu)化方法 169
6.3.3 DRIFT算法的優(yōu)化加速 173
6.4 實(shí)驗(yàn)驗(yàn)證 175
6.4.1 人造數(shù)據(jù)集上的可視化實(shí)驗(yàn) 176
6.4.2 實(shí)驗(yàn)數(shù)據(jù)集上的算法性能比較 177
6.4.3 算法的魯棒性測(cè)試 181
6.5 本章小結(jié) 185
第7章總結(jié)與展望
7.1 本書工作總結(jié) 188
7.2 未來(lái)研究展望 191