基于低秩結(jié)構(gòu)學(xué)習(xí)的譜聚類理論與方法

　　近年來，隨著數(shù)據(jù)獲取能力的不斷提高和計算機的飛速發(fā)展，人們獲得的數(shù)據(jù)信息越來越多，數(shù)據(jù)維數(shù)越來越高，如何尋找這些海量高維數(shù)據(jù)信息中潛在的規(guī)律，更好地為人類服務(wù)，是目前人工智能面臨的挑戰(zhàn)之一。 在沒有標(biāo)簽信息的情況下，對高維數(shù)據(jù)實施維數(shù)約簡的同時進(jìn)行歸類分析，挖掘數(shù)據(jù)的內(nèi)在低秩結(jié)構(gòu)，是當(dāng)前機器學(xué)習(xí)的一個難點、也是熱點之一。譜聚類作為聚類分析的一種，不僅對初始值和數(shù)據(jù)噪聲有更好的魯棒性，而且實施簡單，可以被標(biāo)準(zhǔn)的線性代數(shù)方法進(jìn)行有效求解。因此，基于低秩結(jié)構(gòu)學(xué)習(xí)的譜聚類理論和方法在機器學(xué)習(xí)、人工智能、大數(shù)據(jù)技術(shù)方面有著更加廣闊的應(yīng)用空間。本書主要研究了基于低秩結(jié)構(gòu)學(xué)習(xí)的譜聚類理論與方法，從矩陣和張量兩方面進(jìn)行研究。重點關(guān)注緊湊低秩表示學(xué)習(xí)、魯棒的無監(jiān)督特征選擇學(xué)習(xí)、圖正則化低秩因子分解學(xué)習(xí)、張量低秩稀疏表示學(xué)習(xí)和增強的張量低秩表示學(xué)習(xí)等，理論分析了這些基于低秩結(jié)構(gòu)的表示學(xué)習(xí)方法優(yōu)化過程、復(fù)雜度、收斂性等，實驗結(jié)果表明了這些方法在譜聚類方面的優(yōu)越性。

　　杜世強，理學(xué)博士，西北民族大學(xué)副教授，碩士研究生導(dǎo)師，國家自然基金面上項目函評專家，IEEE會員、中國計算機學(xué)會會員。曾于美國猶他州立大學(xué)和意大利摩德納雷焦艾米利亞大學(xué)訪學(xué)，研究方向為機器學(xué)習(xí)、圖像處理與神經(jīng)網(wǎng)絡(luò)。在《基于知識系統(tǒng)》（Knowledge-Based Systems）、《吉林大學(xué)學(xué)報》等國內(nèi)外學(xué)術(shù)期刊發(fā)表論文40余篇。主持國家自然科學(xué)基金項目、甘肅省自然科學(xué)基金項目、甘肅省高等學(xué)校科研項目等項目7項。