面向多视图数据融合的表示学习

第1章绪论

1.1基本概念

1.1.1视图一致性假设

1.1.2公共特征表示假设

1.2典型的多视图表示学习系统

1.2.1多模态生物特征识别

1.2.2多传感器融合的自动驾驶

1.2.3基于图像的多模态机器翻译

1.3后续章节安排

参考文献

第2章多视图表示学习基础

2.1视图一致性度量方法

2.1.1视图相似性度量方法

2.1.2视图相关性度量方法

2.2多视图表示融合方法

2.2.1基于图的多视图表示融合方法

2.2.2基于神经网络的多视图表示融合方法

参考文献

第3章多视图受限玻耳兹曼机模型

3.1后验一致性受限玻耳兹曼机模型

3.1.1二视图数据融合的后验一致性受限玻耳兹曼机模型

3.1.2PCRBM模型在二视图数据上的推理和学习

3.1.3PCRBM模型的扩展模型

3.2后验一致性和领域适应受限玻耳兹曼机模型

3.2.1二视图数据融合的后验一致性和领域适应受限玻耳兹曼机模型

3.2.2PDRBM模型在二视图数据上的推理和学习

3.2.3PDRBM模型在多视图上的应用

3.3实验与分析

3.3.1实验设置和数据集

3.3.2算法比较与分析

参考文献

第4章基于图结构的多视图玻耳兹曼机模型

4.1实用的近邻图受限玻耳兹曼机模型

4.1.1基于近邻正则化的图受限玻耳兹曼机模型

4.1.2相关分析

4.2基于图结构的多视图受限玻耳兹曼机模型

4.2.1推理和学习

4.2.2相关分析

4.3实验与分析

4.3.1实验设置

4.3.2算法比较与分析

参考文献

第5章基于多视图关键子序列的多元时间序列表示学习模型

5.1基于自适应近邻的无监督关键多元子序列学习方法

5.1.1无监督的关键子序列学习模型概述

5.1.2基于自适应近邻的无监督关键多元子序列学习模型概述

5.1.3优化和学习

5.1.4收敛性分析

5.1.5相关分析

5.2基于自适应近邻的多视图无监督关键多元子序列学习方法

5.2.1模型概述

5.2.2优化和学习

5.2.3评论和复杂性分析

5.3实验与分析

5.3.1实验设置

5.3.2算法比较与分析

参考文献

第6章不完整多视图非负表示学习模型

6.1不完整多视图非负表示学习方法

6.1.1模型概述

6.1.2优化和学习

6.2模型分析

6.2.1收敛性分析

6.2.2复杂性分析

6.2.3模型概述

6.3实验与分析

6.3.1实验设置

6.3.2算法比较与分析

参考文献

第7章基于图补全和自适应近邻的不完整多视图表示学习模型

7.1基于图补全和自适应近邻的不完整多视图非负表示学习方法

7.1.1模型概述

7.1.2优化和学习

7.2模型分析

7.2.1相关性分析

7.2.2复杂性分析

7.3实验与分析

7.3.1实验设置

7.3.2算法比较与分析

参考文献

第8章总结与展望

8.1总结

8.2研究前沿及展望

8.2.1可信多视图表示学习

8.2.2面向视图缺失场景/视图不对齐场景的多视图表示学习