偷拍亚洲制服另类无码专区 ,色五月丁香六月欧美综合,国产成人精品第一区二区三区

內容簡介

　　《開放環(huán)境下的度量學習研究》由南京大學人工智能學院副研究員葉翰嘉撰寫，內容榮獲2021年度CCF優(yōu)秀博士學位論文獎。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，提出針對或利用度量學習特性的具體算法，從理論和應用等多個角度使度量學習的研究能夠契合開放的環(huán)境?！堕_放環(huán)境下的度量學習研究》共七章：第1章緒論，主要介紹了度量學習、開放環(huán)境的特點、開放環(huán)境的研究進展以及全書的概要。第2章度量學習研究進展，首先介紹了監(jiān)督學習和度量學習；然后講解了三種度量學習的相關算法，包括全局度量學習方法、多度量學習方法、高效度量學習方法；*后介紹了開放環(huán)境下度量學習的研究思路。第3章開放環(huán)境下度量學習的樣本復雜度分析，首先展示了現(xiàn)有的度量學習理論結果，然后提出了基于函數性質的度量學習樣本復雜度的改進方案，以及基于度量重用的度量學習樣本復雜度的改進方案。第4章基于度量學習和語義映射的異構模型修正，首先介紹了相關工作；其次介紹了基于度量語義映射的模型重用框架REFORM；然后介紹了實現(xiàn)模型重用框架REFORM的具體方法，包括自適應尺度的REFORM實現(xiàn)方法、學習變換的REFORM實現(xiàn)方法；*后展示了用于驗證的實驗流程和結果。第5章多語義環(huán)境下的多度量學習方法探究，首先介紹了多度量學習方法的相關工作；其次介紹了考慮多語義的多度量學習方法；然后介紹了多度量自適應選擇框架；*后展示了用于驗證的實驗流程和結果。第6章考慮噪聲影響的開放環(huán)境魯棒度量學習，首先介紹了相關工作；然后介紹了考慮樣本擾動的魯棒度量學習DRIFT；*后展示了用于驗證的實驗流程和結果。第7章總結與展望，總結了全書的研究內容，并對未來的研究方向和研究工作做出了展望。

作者簡介

　　葉翰嘉，南京大學人工智能學院副研究員，在南京大學機器學習與數據挖掘研究所（LAMDA）從事學術研究工作。主要研究方向包括表示學習、元學習、模型復用等領域，相關研究成果已經在開放環(huán)境系統(tǒng)、小樣本系統(tǒng)等實際場景下進行使用。在人工智能、機器學習領域以作者身份發(fā)表學術論文二十余篇；擔任多個國內外學術期刊會議的審稿人；曾獲得2021年度CCF優(yōu)秀博士學位論文獎、江蘇省計算機學會青年科技獎，被評為華為“耀星學者”。

圖書目錄

第1章緒論
1.1 引言 1
1.2 度量學習簡介 4
1.3 開放環(huán)境的特點 8
1.4 開放環(huán)境的研究進展 11
1.5 本書概要 12
第2章度量學習研究進展
2.1 監(jiān)督學習 15
2.2 度量學習 18
2.2.1 距離度量 18
2.2.2 度量學習的學習目標 20
2.2.3 度量學習算法評測 22
2.3 度量學習的相關算法 23
2.3.1 全局度量學習方法 23
2.3.2 多度量學習方法 24
2.3.3 高效度量學習方法 26
2.4 開放環(huán)境下度量學習的研究思路 27
第3章開放環(huán)境下度量學習的樣本復雜度分析
3.1 引言 31
3.2 現(xiàn)有的度量學習理論結果 35
3.3 基于函數性質的度量學習樣本復雜度改進 38
3.3.1 基本定義 38
3.3.2 主要結論及討論 39
3.4 基于度量重用的度量學習樣本復雜度 44
3.5 實驗驗證 48
3.6 本章小結 63
第4章基于度量學習和語義映射的異構模型修正
4.1 引言 65
4.2 相關工作 68
4.3 基于度量語義映射的模型重用框架REFORM 70
4.3.1 符號表示 70
4.3.2 同構空間中的模型重用 71
4.3.3 異構特征空間中的重用模型 73
4.3.4 代價矩陣和特征元表示 75
4.3.5 EMIT：編碼特征元信息 77
4.4 模型重用框架REFORM的具體實現(xiàn) 80
4.4.1 自適應尺度的REFORM實現(xiàn)方法 81
4.4.2 學習變換的REFORM實現(xiàn)方法 83
4.5 實驗驗證 84
4.5.1 不同參數設置下人造數據集的分類任務 85
4.5.2 不同時間段下的用戶質量分類 89
4.5.3 不同時間段下的論文主題分類 91
4.6 本章小結 93
第5章多語義環(huán)境下的多度量學習方法探究
5.1 引言 95
5.2 多度量學習方法的相關工作 100
5.3 考慮多語義的多度量學習方法UM2L 101
5.3.1 統(tǒng)一的多度量學習框架 102
5.3.2 基于算子k引申出的多樣化語義 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的深度度量學習擴展 114
5.4 多度量自適應選擇框架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 實驗驗證 135
5.5.1 分類性能測試 136
5.5.2 UM2L在不同類型實際問題中的應用 141
5.5.3 LIFT自適應性驗證 153
5.6 本章小結 158
第6章考慮噪聲影響的開放環(huán)境魯棒度量學習
6.1 引言 160
6.2 相關工作 163
6.3 考慮樣本擾動的魯棒度量學習DRIFT 164
6.3.1 度量學習中的樣本噪聲擾動 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 實驗驗證 175
6.4.1 人造數據集上的可視化實驗 176
6.4.2 實驗數據集上的算法性能比較 177
6.4.3 算法的魯棒性測試 181
6.5 本章小結 185
第7章總結與展望
7.1 本書工作總結 188
7.2 未來研究展望 191