●第1章譜聚類
1.1譜聚類研究背景及意義
1.2聚類研究現狀
1.3維數約簡研究現狀
1.4張量相關預備知識
1.5相關問題
第2章圖正則化緊湊低秩表示學習
2.1引言
2.2低秩表示
2.3圖正則化緊湊低秩表示學習
2.4模型分析
2.5實驗結果與分析
2.6本章小結
第3章魯棒的無監督特征選擇學習
3.1魯棒的無監督特征選擇學習
3.2算法分析
3.3實驗結果與分析
3.4本章小結
第4章圖正則化低秩因子分解學習
4.1引言
4.2相關工作
4.3圖正則化低秩因子分解學習
4.4實驗結果與分析
4.5本章小結
第5章張量低秩稀疏表示學習
5.1引言
5.2相關工作
5.3張量低秩稀疏學習
5.4實驗和分析結果
5.5本章小結
第6章增強的張量低秩表示學習
6.1引言
6.2相關工作
6.3增強張量低秩表示
6.4實驗與結果分析
6.5本章小結
參考文獻
近年來,隨著數據獲取能力的不斷提高和計算機的飛速發展,人們獲得的數據信息越來越多,數據維數越來越高,如何尋找這些海量高維數據信息中潛在的規律,更好地為人類服務,是目前人工智能面臨的挑戰之一。在沒有標簽信息的情況下,對高維數據實施維數約簡的同時進行歸類分析,挖掘數據的內在低秩結構,是當前機器學習的一個難點、也是熱點之一。譜聚類作為聚類分析的一種,不僅對初始值和數據噪聲有更好的魯棒性,而且實施簡單,可以被標準的線性代數方法進行有效求解。因此,基於低秩結構學習的譜聚類理論和方法在機器學習、人工智能、大數據技術方面有著更加廣闊的應用空間。本書主要研究了基於低秩結構學習的譜聚類理論與方法,從矩陣和張量兩方面進行研究。重點關注緊湊低秩表示學習、魯棒的無監督特征選擇學習、圖正則化低秩因子分解學習、張量低秩稀疏表示學習和增強的張量低秩表示學習等,理論分析了這些基於低秩結構的表示學習方法優化過程、復雜度、收等