面向多視圖數據融合的表示學習

第1章緒論

1.1基本概念

1.1.1視圖一致性假設

1.1.2公共特征表示假設

1.2典型的多視圖表示學習系統(tǒng)

1.2.1多模態(tài)生物特征識別

1.2.2多傳感器融合的自動駕駛

1.2.3基于圖像的多模態(tài)機器翻譯

1.3后續(xù)章節(jié)安排

參考文獻

第2章多視圖表示學習基礎

2.1視圖一致性度量方法

2.1.1視圖相似性度量方法

2.1.2視圖相關性度量方法

2.2多視圖表示融合方法

2.2.1基于圖的多視圖表示融合方法

2.2.2基于神經網絡的多視圖表示融合方法

參考文獻

第3章多視圖受限玻耳茲曼機模型

3.1后驗一致性受限玻耳茲曼機模型

3.1.1二視圖數據融合的后驗一致性受限玻耳茲曼機模型

3.1.2PCRBM模型在二視圖數據上的推理和學習

3.1.3PCRBM模型的擴展模型

3.2后驗一致性和領域適應受限玻耳茲曼機模型

3.2.1二視圖數據融合的后驗一致性和領域適應受限玻耳茲曼機模型

3.2.2PDRBM模型在二視圖數據上的推理和學習

3.2.3PDRBM模型在多視圖上的應用

3.3實驗與分析

3.3.1實驗設置和數據集

3.3.2算法比較與分析

參考文獻

第4章基于圖結構的多視圖玻耳茲曼機模型

4.1實用的近鄰圖受限玻耳茲曼機模型

4.1.1基于近鄰正則化的圖受限玻耳茲曼機模型

4.1.2相關分析

4.2基于圖結構的多視圖受限玻耳茲曼機模型

4.2.1推理和學習

4.2.2相關分析

4.3實驗與分析

4.3.1實驗設置

4.3.2算法比較與分析

參考文獻

第5章基于多視圖關鍵子序列的多元時間序列表示學習模型

5.1基于自適應近鄰的無監(jiān)督關鍵多元子序列學習方法

5.1.1無監(jiān)督的關鍵子序列學習模型概述

5.1.2基于自適應近鄰的無監(jiān)督關鍵多元子序列學習模型概述

5.1.3優(yōu)化和學習

5.1.4收斂性分析

5.1.5相關分析

5.2基于自適應近鄰的多視圖無監(jiān)督關鍵多元子序列學習方法

5.2.1模型概述

5.2.2優(yōu)化和學習

5.2.3評論和復雜性分析

5.3實驗與分析

5.3.1實驗設置

5.3.2算法比較與分析

參考文獻

第6章不完整多視圖非負表示學習模型

6.1不完整多視圖非負表示學習方法

6.1.1模型概述

6.1.2優(yōu)化和學習

6.2模型分析

6.2.1收斂性分析

6.2.2復雜性分析

6.2.3模型概述

6.3實驗與分析

6.3.1實驗設置

6.3.2算法比較與分析

參考文獻

第7章基于圖補全和自適應近鄰的不完整多視圖表示學習模型

7.1基于圖補全和自適應近鄰的不完整多視圖非負表示學習方法

7.1.1模型概述

7.1.2優(yōu)化和學習

7.2模型分析

7.2.1相關性分析

7.2.2復雜性分析

7.3實驗與分析

7.3.1實驗設置

7.3.2算法比較與分析

參考文獻

第8章總結與展望

8.1總結

8.2研究前沿及展望

8.2.1可信多視圖表示學習

8.2.2面向視圖缺失場景/視圖不對齊場景的多視圖表示學習