基于復雜網(wǎng)絡的機器學習方法

譯者序
前言
作者簡介
符號列表
第1章概述
1.1背景
1.2本書主要內(nèi)容
1.3本書結(jié)構(gòu)
參考文獻
第2章復雜網(wǎng)絡
2.1圖論簡介
2.1.1圖的定義
2.1.2圖的連通性
2.1.3路徑和環(huán)路
2.1.4子圖
2.1.5樹和森林
2.1.6圖的矩陣表示
2.2網(wǎng)絡演化模型
2.2.1隨機網(wǎng)絡
2.2.2小世界網(wǎng)絡
2.2.3無標度網(wǎng)絡
2.2.4隨機聚類網(wǎng)絡
2.2.5核心邊緣網(wǎng)絡
2.3復雜網(wǎng)絡的統(tǒng)計描述
2.3.1度和度相關(guān)性
2.3.2距離和路徑
2.3.3網(wǎng)絡結(jié)構(gòu)
2.3.4網(wǎng)絡中心性
2.3.5復雜網(wǎng)絡度量方法的分類
2.4復雜網(wǎng)絡上的動力學過程
2.4.1隨機游走
2.4.2惰性隨機游走
2.4.3自避行走
2.4.4游客漫步
2.4.5流行病傳播
2.5本章小結(jié)
參考文獻
第3章機器學習
3.1引言
3.2監(jiān)督學習
3.2.1數(shù)學表達式和基本假設
3.2.2主要算法
3.3無監(jiān)督學習
3.3.1數(shù)學表達式和基本假設
3.3.2主要算法
3.4半監(jiān)督學習
3.4.1研究目的
3.4.2數(shù)學表達式和基本假設
3.4.3主要算法
3.5基于網(wǎng)絡的機器學習方法概述
3.6本章小結(jié)
參考文獻
第4章網(wǎng)絡構(gòu)建技術(shù)
4.1引言
4.2相似性與相異性
4.2.1定義
4.2.2基于向量形式的相似性函數(shù)實例
4.3向量數(shù)據(jù)的網(wǎng)絡轉(zhuǎn)化
4.3.1k近鄰和半徑網(wǎng)絡
4.3.2k近鄰和半徑組合的網(wǎng)絡構(gòu)建技術(shù)
4.3.3b匹配網(wǎng)絡
4.3.4線性鄰域網(wǎng)絡
4.3.5松弛線性鄰域網(wǎng)絡
4.3.6聚類啟發(fā)式網(wǎng)絡
4.3.7重疊直方圖網(wǎng)絡
4.3.8其他網(wǎng)絡構(gòu)建技術(shù)
4.4時間序列數(shù)據(jù)的網(wǎng)絡轉(zhuǎn)化
4.4.1周期網(wǎng)絡
4.4.2相關(guān)網(wǎng)絡
4.4.3循環(huán)網(wǎng)絡
4.4.4轉(zhuǎn)移網(wǎng)絡
4.5網(wǎng)絡構(gòu)建方法分類
4.6非結(jié)構(gòu)化數(shù)據(jù)網(wǎng)絡轉(zhuǎn)化的難點
4.7本章小結(jié)
參考文獻
第5章基于網(wǎng)絡的監(jiān)督學習
5.1引言
5.2典型的基于網(wǎng)絡的監(jiān)督學習技術(shù)
5.2.1基于k關(guān)聯(lián)圖的分類算法
5.2.2網(wǎng)絡學習工具：NetKit
5.2.3易訪問啟發(fā)式的分類算法
5.3本章小結(jié)
參考文獻
第6章基于網(wǎng)絡的無監(jiān)督學習
6.1引言
6.2社團檢測算法
6.2.1相關(guān)概念
6.2.2數(shù)學表達式和基本假設
6.2.3前沿技術(shù)綜述
6.2.4社團檢測基準
6.3典型的基于網(wǎng)絡的無監(jiān)督學習技術(shù)
6.3.1介數(shù)
6.3.2模塊度最大化
6.3.3譜平分法
6.3.4基于粒子競爭模型的社團檢測
6.3.5變色龍算法
6.3.6基于空間變換和群體動力學的社團檢測
6.3.7同步方法
6.3.8重疊社團挖掘
6.3.9網(wǎng)絡嵌入與降維
6.4本章小結(jié)
參考文獻
第7章基于網(wǎng)絡的半監(jiān)督學習
7.1引言
7.2數(shù)學假設
7.3典型的基于網(wǎng)絡的半監(jiān)督學習技術(shù)
7.3.1最大流和最小割
7.3.2高斯隨機場和調(diào)和函數(shù)
7.3.3Tikhonov正則化框架
7.3.4局部和全局一致性算法
7.3.5附著法
7.3.6模塊化方法
7.3.7相互作用力
7.3.8判別式游走
7.4本章小結(jié)
參考文獻
第8章基于網(wǎng)絡的監(jiān)督學習專題研究：高級數(shù)據(jù)分類
8.1引言
8.2問題提出
8.3高級分類模型
8.3.1高級分類模型的總體思路
8.3.2混合分類框架的構(gòu)建
8.4高級分類器的構(gòu)建方法
8.4.1傳統(tǒng)的基于網(wǎng)絡度量方法的高級分類器構(gòu)建
8.4.2基于隨機游走的高級分類器構(gòu)建
8.5高級分類器的數(shù)值分析
8.5.1高級分類器應用樣本
8.5.2參數(shù)敏感性分析
8.6應用：手寫數(shù)字識別
8.6.1相關(guān)研究
8.6.2手寫數(shù)字數(shù)據(jù)集MNIST
8.6.3圖像相似性計算算法
8.6.4混合分類框架中的低級分類技術(shù)
8.6.5混合分類器的性能
8.6.6手寫數(shù)字識別樣本8.7本章小結(jié)
參考文獻
第9章基于網(wǎng)絡的無監(jiān)督學習專題研究：隨機競爭學習
9.1引言
9.2隨機競爭學習算法模型
9.2.1模型原理
9.2.2轉(zhuǎn)移矩陣的推導
9.2.3隨機非線性動力系統(tǒng)的定義
9.2.4計算社團數(shù)目的方法
9.2.5重疊結(jié)構(gòu)的檢測方法
9.2.6參數(shù)敏感性分析
9.2.7收斂分析
9.3模型的理論分析
9.3.1數(shù)學分析
9.3.2粒子競爭模型與傳統(tǒng)的多粒子隨機游走
9.3.3樣本分析
9.4重疊節(jié)點及社團檢測的數(shù)值分析
9.4.1扎卡里空手道俱樂部網(wǎng)絡
9.4.2海豚社交網(wǎng)絡
9.4.3《悲慘世界》人物關(guān)系網(wǎng)絡
9.5應用：手寫數(shù)字識別和字母聚類
9.5.1數(shù)據(jù)集情況
9.5.2最優(yōu)粒子數(shù)和集簇數(shù)
9.5.3手寫數(shù)字或字母聚類
9.6本章小結(jié)
參考文獻
第10章基于網(wǎng)絡的半監(jiān)督學習專題研究：隨機競爭合作學習
10.1引言
10.2隨機競爭合作模型
10.2.1半監(jiān)督學習與無監(jiān)督學習的差異
10.2.2半監(jiān)督學習環(huán)境
10.2.3競爭轉(zhuǎn)移矩陣的修正
10.2.4系統(tǒng)初始條件的修正
10.3模型的理論分析
10.3.1數(shù)學分析
10.3.2樣本分析
10.4模型的數(shù)值分析
10.4.1人工合成數(shù)據(jù)集上的模擬
10.4.2真實數(shù)據(jù)集上的模擬
10.5應用：錯誤標記數(shù)據(jù)集上的錯誤標簽傳播檢測和預防
10.5.1問題提出
10.5.2錯誤標記訓練集的檢測
10.5.3錯誤標簽傳播的預防
10.5.4競爭合作模型學習系統(tǒng)的修正
10.5.5參數(shù)敏感性分析
10.5.6計算機模擬
10.6本章小結(jié)
參考文獻