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(guān)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(jié)果 35
3.3 基于函數(shù)性質(zhì)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(jié)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(jié) 63
第4章 基于度量學習和語義映射的異構(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(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(yīng)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(shù)設(shè)置下人造數(shù)據(jù)集的分類任務(wù) 85
4.5.2 不同時間段下的用戶質(zhì)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(jié) 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(guān)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(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(yīng)用 141
5.5.3 LIFT自適應(yīng)性驗證 153
5.6 本章小結(jié) 158
第6章 考慮噪聲影響的開放環(huán)境魯棒度量學習
6.1 引言 160
6.2 相關(guān)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(shù)據(jù)集上的可視化實驗 176
6.4.2 實驗數(shù)據(jù)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(jié) 185
第7章 總結(jié)與展望
7.1 本書工作總結(jié) 188
7.2 未來研究展望 191