真實世界中的序列數(shù)據(jù)隨時間推移呈爆炸式增長，如何設(shè)計面向序列數(shù)據(jù)的知識發(fā)現(xiàn)方法是當(dāng)前研究的熱點之一。本書以深度學(xué)習(xí)和多視圖學(xué)習(xí)為理論基礎(chǔ)，以序列數(shù)據(jù)為研究對象，為面向序列數(shù)據(jù)分析提供多視圖的學(xué)習(xí)方法與技術(shù)，同時為典型場景下的序列數(shù)據(jù)分析提供多視圖深度學(xué)習(xí)解決方案，以期為序列數(shù)據(jù)分析、多視圖學(xué)習(xí)領(lǐng)域的研究及應(yīng)用提供參考。本書針對序列數(shù)據(jù)的動態(tài)性、突變性、不確定性和時空關(guān)聯(lián)性等特點，探討多視圖學(xué)習(xí)理論，構(gòu)建面向序列數(shù)據(jù)的多視圖方法，概述基礎(chǔ)理論與傳統(tǒng)方法，并系統(tǒng)地介紹多視圖序列數(shù)據(jù)應(yīng)用領(lǐng)域的研究理論、算法及成果。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
在IEEE TKDE，IEEE TEC，IEEE TC，IEEE TCC等國際期刊和軟件學(xué)報、計算機研究與發(fā)展、
目錄
第1章 緒論1
1.1 機器學(xué)習(xí)、多視圖學(xué)習(xí)及多視圖序列分析方法1
1.2 多視圖序列數(shù)據(jù)2
1.3 多視圖序列數(shù)據(jù)的應(yīng)用3
1.3.1 城市交通3
1.3.2 社交媒體4
1.3.3 高鐵監(jiān)測4
1.3.4 智能醫(yī)療5
1.3.5 視頻理解5
1.3.6 自動駕駛5
1.4 挑戰(zhàn)與思考6
1.4.1 視圖內(nèi)動態(tài)6
1.4.2 多視圖異構(gòu)8
1.4.3 跨視圖交互9
1.4.4 不完備多視圖序列10
參考文獻11
第2章 面向序列數(shù)據(jù)的多視圖方法基礎(chǔ)15
2.1 序列數(shù)據(jù)及其模型方法15
2.1.1 序列數(shù)據(jù)15
2.1.2 經(jīng)典的時間序列分析模型17
2.1.3 深度學(xué)習(xí)下的序列模型18
2.2 多視圖學(xué)習(xí)概述21
2.2.1 多視圖數(shù)據(jù)22
2.2.2 多視圖學(xué)習(xí)24
2.3 多視圖圖學(xué)習(xí)方法31
2.3.1 基于自適應(yīng)近鄰圖的多視圖學(xué)習(xí)31
2.3.2 基于領(lǐng)域多核學(xué)習(xí)的多視圖學(xué)習(xí)35
2.4 基于深度學(xué)習(xí)的多視圖序列模型40
2.4.1 基于網(wǎng)格的多視圖序列模型40
2.4.2 基于時序的多視圖序列模型43
2.4.3 基于圖的多視圖序列模型45
參考文獻48
第3章 交通預(yù)測中面向序列數(shù)據(jù)的多視圖方法51
3.1 交通序列數(shù)據(jù)預(yù)測概述51
3.2 基于卷積-循環(huán)神經(jīng)網(wǎng)絡(luò)的交通預(yù)測模型53
3.2.1 交通運力預(yù)測53
3.2.2 深度靈活結(jié)構(gòu)化時空模型54
3.2.3 實驗結(jié)果與分析60
3.3 基于圖卷積網(wǎng)絡(luò)的交通預(yù)測模型62
3.3.1 交通流預(yù)測62
3.3.2 基于多視圖的時空自適應(yīng)圖卷積網(wǎng)絡(luò)63
3.3.3 實驗結(jié)果與分析67
3.4 基于多任務(wù)的交通流預(yù)測模型71
3.4.1 多城市交通流預(yù)測71
3.4.2 基于多任務(wù)學(xué)習(xí)的多城市交通流量預(yù)測模型72
3.4.3 實驗結(jié)果與分析80
參考文獻83
第4章 社交媒體分析中面向序列數(shù)據(jù)的多視圖方法86
4.1 社交媒體分析中的多視圖概述86
4.2 基于多視圖學(xué)習(xí)的情感分析模型88
4.2.1 方面級情感分析88
4.2.2 基于多任務(wù)多視圖聯(lián)合學(xué)習(xí)的方面級情感分析模型89
4.2.3 實驗結(jié)果與分析98
4.3 基于自適應(yīng)多模態(tài)融合的情感分析模型102
4.3.1 方面級多模態(tài)情感分析102
4.3.2 基于自適應(yīng)跨模態(tài)融合的方面級情感分析模型103
4.4 基于跨模態(tài)融合的假新聞檢測模型109
4.4.1 跨模態(tài)假新聞檢測109
4.4.2 面向假新聞檢測的跨模態(tài)實例感知模型110
4.4.3 實驗結(jié)果與分析113
參考文獻115
第5章 高速列車工況識別中面向序列數(shù)據(jù)的多視圖方法118
5.1 高速列車工況識別概述118
5.2 基于多視圖聚類集成的高速列車走行部工況識別模型120
5.2.1 多視圖的構(gòu)建120
5.2.2 基于多視圖加權(quán)聚類集成的高速列車走行部工況識別模型121
5.2.3 實驗結(jié)果與分析129
5.3 基于多視圖核模糊聚類的高速列車走行部工況識別模型133
5.3.1 模糊聚類134
5.3.2 基于多視圖核模糊聚類的高速列車走行部工況識別模型134
5.3.3 實驗結(jié)果與分析139
5.4 基于相似度比率和深度信念網(wǎng)絡(luò)的高速列車走行部工況識別模型144
5.4.1 深度信念網(wǎng)絡(luò)144
5.4.2 基于相似度比率和MDBN的高速列車走行部工況識別模型145
5.4.3 實驗結(jié)果與分析147
參考文獻153
第6章 智能醫(yī)療疾病診斷中的多視圖方法156
6.1 智能醫(yī)療疾病診斷中多視圖方法概述156
6.2 基于多視圖聚類的阿爾茨海默病進展預(yù)測模型157
6.2.1 一致性多視圖聚類的阿爾茨海默病預(yù)測概述157
6.2.2 基于NMF的一致性多視圖聚類模型158
6.2.3 實驗結(jié)果與分析162
6.3 基于多視圖深度學(xué)習(xí)的帕金森病篩查模型170
6.3.1 多視圖深度學(xué)習(xí)的帕金森病篩查概述170
6.3.2 基于多視圖深度學(xué)習(xí)的PD篩查模型171
6.3.3 實驗結(jié)果與分析174
6.4 基于多視圖深度學(xué)習(xí)的癲癇檢測模型180
6.4.1 多視圖深度學(xué)習(xí)癲癇檢測概述180
6.4.2 短時傅里葉變換視圖和功率譜密度視圖的多視圖深度學(xué)習(xí)模型180
6.4.3 實驗結(jié)果與分析187
參考文獻192
書單推薦
