分布式機器學(xué)習(xí)：交替方向乘子法在機器學(xué)習(xí)中的應(yīng)用

定　價：￥59.00

作　者：	雷大江著
出版社：	清華大學(xué)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302569022	出版時間：	2021-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	160	字數(shù)：

內(nèi)容簡介

　　本書探究交替方向乘子法在圖像處理中的應(yīng)用，選取了運動模糊圖像復(fù)原和遙感圖像融合兩個領(lǐng)域來作細致研究。通過 MATLAB進行仿真實驗，利用交替方向乘子法高效求解復(fù)雜的凸優(yōu)化問題，研究遮擋人臉識別的魯棒性算法，以及人臉圖像的類內(nèi)變化和類間變化與魯棒性算法的關(guān)系。同時，本書還探索高效的分布式優(yōu)化求解方法。將分布式計算框 CoCoA 應(yīng)用于機器學(xué)習(xí)和信號處理的各種問題。本書適合作用從事機器學(xué)習(xí)研究的科技工作者、專業(yè)技術(shù)人員、研究生及高年級本科生的參考書。

作者簡介

　　雷大江，重慶郵電大學(xué)數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)教授，博士，IET學(xué)會會員、ICST學(xué)會會員、中國計算機學(xué)會會員、兒童醫(yī)療大數(shù)據(jù)智能應(yīng)用重慶市高校工程研究中心技術(shù)委員會委員。2006年畢業(yè)于武漢科技大學(xué)計算機應(yīng)用技術(shù)專業(yè)，獲工學(xué)碩士學(xué)位；2012年畢業(yè)于重慶大學(xué)計算機科學(xué)與技術(shù)專業(yè)，獲工學(xué)博士學(xué)位。2014-2015年在挪威奧斯陸大學(xué)Simula研究院從事高性能計算博士后研究，2018年獲得重慶市留學(xué)歸國人員創(chuàng)新創(chuàng)業(yè)項目支持人選稱號。

圖書目錄

目錄
第1章引言

1.1大數(shù)據(jù)對機器學(xué)習(xí)的挑戰(zhàn)

1.2分布式優(yōu)化算法國內(nèi)外研究現(xiàn)狀

1.3本書研究內(nèi)容

1.4參考文獻

第2章交替方向乘子法

2.1凸優(yōu)化

2.1.1凸集

2.1.2凸函數(shù)

2.1.3優(yōu)化問題

2.1.4凸優(yōu)化問題

2.2對偶

2.2.1拉格朗日對偶函數(shù)

2.2.2對偶函數(shù)和共軛函數(shù)

2.2.3對偶問題

2.2.4鞍點

2.2.5對偶上升法

2.2.6對偶分解性

2.3交替方向乘子法

2.3.1增廣拉格朗日乘子法

2.3.2交替方向乘子法

2.3.3全局變量一致性優(yōu)化

2.4參考文獻

第3章稀疏回歸

3.1Lasso問題

3.2ADMM求解Lasso問題

3.3Lasso問題的一般求解

3.4Lasso問題的全局一致性求解

3.4.1基于樣本劃分的Lasso問題

3.4.2基于特征劃分的Lasso問題

3.5參考文獻

第4章Huber回歸

4.1Huber損失在稀疏魯棒性編碼中的應(yīng)用

4.1.1基于回歸分析的一般分類框架

4.1.2稀疏編碼

4.1.3Huber損失函數(shù)

4.2Huber損失的一般化求解

4.3Huber損失的并行求解

4.3.1基于特征劃分的Huber函數(shù)

4.3.2基于樣本劃分的Huber函數(shù)

4.4參考文獻

第5章交替方向乘子法在圖像處理中的應(yīng)用

5.1基于交替方向乘子法的全變差模糊圖像恢復(fù)

5.1.1圖像退化模型

5.1.2ADMM算法圖像恢復(fù)推導(dǎo)過程

5.2基于交替方向乘子法的遙感圖像融合

5.2.1基于變分框架的圖像融合方法

5.2.2基于增強稀疏結(jié)構(gòu)一致性的遙感圖像融合

5.2.3實驗結(jié)果與分析

5.3參考文獻

第6章加權(quán)Huber約束稀疏表達的魯棒性算法

6.1Sigmoid權(quán)重

6.2加權(quán)Huber約束稀疏編碼

6.2.1權(quán)重的初始值

6.2.2迭代條件

6.2.3查詢樣本類別判斷

6.3算法魯棒性分析

6.4算法的迭代步驟及其子問題劃分

6.4.1ADMM求解子問題

6.4.2計算復(fù)雜度分析

6.4.3收斂性和收斂率分析

6.5加權(quán)Huber約束稀疏編碼算法實驗

6.5.1實驗設(shè)置

6.5.2弱遮擋的人臉識別

6.5.3強遮擋的人臉識別

6.5.4圖像的重構(gòu)

6.5.5運行時間

6.5.6參數(shù)與識別率

6.5.7實驗結(jié)果與分析

6.6本章小結(jié)

6.7參考文獻

第7章自適應(yīng)加權(quán)Huber約束稀疏表達的魯棒性算法

7.1自適應(yīng)權(quán)重

7.2自適應(yīng)加權(quán)Huber約束編碼的模型

7.3自適應(yīng)加權(quán)Huber約束稀疏編碼的模型

7.3.1自適應(yīng)權(quán)重更新

7.3.2自適應(yīng)權(quán)重初始值

7.3.3迭代條件

7.3.4查詢樣本分類

7.4算法魯棒性分析

7.5算法的迭代步驟及子問題分析

7.5.1ADMM求解子問題

7.5.2計算復(fù)雜度分析

7.5.3收斂性和收斂率分析

7.6自適應(yīng)加權(quán)Huber約束稀疏編碼算法實驗

7.6.1實驗設(shè)置

7.6.2弱閉塞的人臉識別

7.6.3強閉塞的人臉識別

7.6.4運行時間

7.6.5參數(shù)分析

7.6.6實驗結(jié)果與分析

7.7本章小結(jié)

7.8參考文獻

第8章極大不相關(guān)多元邏輯回歸

8.1引入極大不相關(guān)約束的意義

8.2極大不相關(guān)多元邏輯回歸算法

8.2.1基于多元邏輯回歸算法的改進

8.2.2求解算法時間復(fù)雜度分析

8.3極大不相關(guān)多元邏輯回歸算法實驗

8.3.1數(shù)據(jù)集介紹

8.3.2人工數(shù)據(jù)集和公開數(shù)據(jù)集實驗結(jié)果

8.3.3極大不相關(guān)神經(jīng)網(wǎng)絡(luò)算法實驗

8.4大規(guī)模極大不相關(guān)多元邏輯回歸算法

8.4.1極大不相關(guān)多元邏輯回歸的一致性求解算法

8.4.2極大不相關(guān)多元邏輯回歸的共享求解算法

8.4.3求解算法時間復(fù)雜度分析

8.5分布式極大不相關(guān)邏輯回歸算法實驗

8.5.1運行環(huán)境與數(shù)據(jù)集介紹

8.5.2一致性求解算法的實驗對比

8.5.3共享求解算法的實驗對比

8.6本章小結(jié)

8.7參考文獻

第9章快速稀疏多元邏輯回歸

9.1稀疏多元邏輯回歸串行求解算法

9.1.1迭代重加權(quán)最小二乘法

9.1.2快速稀疏多元邏輯回歸算法

9.2快速稀疏多元邏輯回歸算法實驗

9.2.1實驗設(shè)置

9.2.2優(yōu)化算法實驗及分析

9.2.3傳統(tǒng)算法實驗及分析

9.3稀疏多元邏輯回歸并行求解算法

9.3.1多元邏輯回歸的一致性優(yōu)化求解

9.3.2多元邏輯回歸的共享優(yōu)化求解

9.3.3求解算法收斂性分析

9.3.4求解算法計算復(fù)雜度分析

9.4SPSMLR算法和FPSMLR算法實驗

9.4.1實驗設(shè)置

9.4.2樣本劃分實驗及分析

9.4.3特征劃分實驗及分析

9.4.4大規(guī)模算法實驗及分析

9.5本章小結(jié)

9.6參考文獻

第10章CoCoA框架下的Lasso回歸分布式求解

10.1CoCoA框架介紹

10.1.1框架應(yīng)用的兩種問題形式

10.1.2各節(jié)點求解的子問題

10.1.3CoCoA總體計算框架

10.2CoCoA框架下求解Lasso回歸

10.3CoCoA框架下求解Lasso回歸實驗

10.3.1實驗設(shè)置

10.3.2實驗結(jié)果與分析

10.4本章小結(jié)

10.5參考文獻

第11章CoCoA框架下的稀疏多元邏輯回歸分布式求解

11.1稀疏多元邏輯回歸

11.2稀疏多元邏輯回歸分布式求解

11.3CoCoA框架下求解稀疏多元邏輯回歸實驗

11.3.1實驗設(shè)置

11.3.2實驗結(jié)果與分析

11.4本章小結(jié)

11.5參考文獻