机器学习及其应用2013

Learning Sparse Topical Representations   1  Introduction   2  Related Work   2.1  Probabilistic LDA   2.2  Non-negative Matrix Faetorization   3  Sparse Topical Coding   3.1  A Probabilistic Generative Process   3.2  STC for MAP Estimation   3.3  Optimization with Coordinate Descent   4  Extensions   4.1  Collapsed STC   4.2  Supervised Sparse Topical Coding   5  Experiments   5.1  Sparse Word Code   5.2  Prediction Accuracy   5.3  Time Efficiency   6  Conclusion   References 多视图在利用未标记数据学习中的效用   1  引言   2  多视图在半监督学习中的效用   3  多视图在主动学习中的效用   4  多视图在主动半监督学习中的效用   5  视图分割   6  结束语   参考文献 知识挖掘与用户建模   1  引言   2  技术综述   3  本体知识体系构建   3.1  知识挖掘   3.2  知识加工   3.3  语义计算   3.4  实验结果   3.5  基于本体知识的需求主题体系构建   4  跨产品用户日志挖掘   4.1  技术框架   4.2  跨产品用户数据scssion分割   4.3  跨产品用户数据关注点挖掘   5  用户建模   5.1  用户属性建模   5.2  用户兴趣建模   5.3  用户状态建模   5.4  多维度用户行为分析模型   5.5  用户兴趣模型的地域性关联分析   6  结语   参考文献 异质人脸图像合成   1  引言   2  基于子空间学习的图像合成方法   2.1  基于线性子空间学习的方法   2.2  基于流形学习的方法   3  基于贝叶斯推理的合成方法   3.1  基于嵌入式隐马尔科夫模型的方法   3.2  基于马尔科夫随机场的方法   4  基于人脸幻像思想的合成方法   5  实验结果   6  结束语   参考文献 面向高维多视图数据的广义相关分析   1  引言   1.1  多视图数据   1.2  数据降维的意义与方法   2  基于相关分析的降维方法所面临的问题与解决方案   2.1  忽视多视图数据的监督信息   2.2  要求不同视图间的数据全配对   2.3  现有解决方案   3  我们的研究工作   3.1  半配对局部相关分析   3.2  半监督半配对广义相关分析   3.3  邻域相关分析   4  小结   参考文献 基于向量场的流形学习和排序   1  引言   2  平行向量场和线性函数   2.1  流形上半监督学习问题   2.2  平行向量场和线性函数   2.3  目标函数   3  离散化和优化   3.1  切空间和向量场离散化   3.2  梯度场计算   3.3  平行向量场计算   3.4  离散形式的目标函数   3.5  目标函数优化   4  基于平行向量场正则化的排序   4.1  向量场正则化   4.2  尺1和及2的离散化   4.3  目标函数离散化   4.4  目标函数优化   4.5  实验   5  结束语与展望   参考文献 秩极小化：理论、算法与应用   1  引言   2  主要数学模型   3  理论分析   4  算法   4.1  加速近邻梯度法及其推广   4.2  交错方向法及其线性化   4.3  奇异值分解的计算   5  应用   5.1  背景建模   5.2  图像批量对齐   5.3  变换不变低秩纹理   5.4  运动分割   5.5  图像分割   5.6  图像显著区域检测   6  结束语   参考文献 实值多变量维数约简   1  引言   2  实值多变量维数约简   2.1  切片逆回归法   2.2  切片逆回归的推广   2.3  主Hessian方向   2.4  子空间简介   2.5  稀疏充分维数约简   2.6  核维数约简   2.7  最小平方维数约简 3  树形结构的核维数约简   3.1  动机   3.2  树形算法的介绍   3.3  (残差)树形核维数约简   3.4  实验部分   3.5  结论 4  核维数约简在人群计数中的应用   4.1  核维数约简   4.2  多核学习 5  结论 参考文献