集成多標簽學習方法 夏躍龍 唐明靖 9787302682363 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202503*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：集成多標簽學習方法
ISBN：9787302682363
出版社：清華大學
著編譯者：夏躍龍 唐明靖
頁數：158
所在地：中國大陸 *此為代購商品
書號：1718913
可大量預訂，請先連絡。

內容簡介

隨著社會需求的變化，越來越多的人工智能應用涉及多標籤學習問題，如文本分類、語義標註、社交網絡、基因預測和疾病診療等，多標籤學習已成為當前人工智能領域的研究熱點之一。本書基於集成學習相關理論，圍繞多標籤局部依賴、多標籤缺失補全、極端量級多標籤學習、長尾多標籤學習和開放詞多標籤學習等一系列問題進行展開，討論了一系列高效的集成多標籤學習方法。我們提出了一種集成多標籤學習方法，該方法巧妙融合了多標籤學習與集成學習的優勢，旨在克服傳統多標籤學習在多樣化應用場景中面臨的挑戰。本書將詳細闡述方法在不同實際場景下的具體解決方案及其背後的技術支撐，同時，通過展示一些典型的實際應用問題解決案例，來驗證提出方法在處理複雜、多維度標籤任務上的優越性，為相關領域的研究與應用提供了參考和啟示。 本書可作為高等院校計算機科學、人工智能等相關專業師生的教學參考書，也可為大數據處理、人工智能應用開發領域的專業人員、科技工作者及研究人員提供寶貴的實踐指南與理論參考。

目錄

第1章 緒論
1 1 背景及意義
1 2 多標籤學習研究現狀
1 2 1 傳統多標籤學習方法
1 2 2 深度多標籤學習方法
1 3 多標籤學習評估標準
1 4 多標籤學習面臨的挑戰
1 5 本章小結
第2章 集成多標籤學習相關理論
2 1 集成學習相關理論
2 1 1 偏差-方差分解
2 1 2 統計、計算和表示
2 1 3 多樣性
2 2 集成學習研究現狀
2 2 1 傳統集成學習
2 2 2 深度集成學習
2 3 需要考慮的兩個問題
2 4 集成多標籤學習方法
2 5 本書組織結構
第3章 基於加權堆疊選擇集成的傳統多標籤學習
3 1 引言
3 2 問題描述
3 3 MLWSE算法設計
3 3 1 加權的堆疊集成
3 3 2 基於稀疏正則的分類器選擇
3 3 3 標籤依賴關係的建模
3 3 4 多標籤的預測
3 4 MLWSE算法優化
3 4 1 MLWSE-L1優化
3 4 2 MLWSE-L21優化
3 5 實驗結果與分析
3 5 1 2D模擬實驗
3 5 2 Benchmark基準實驗
3 5 3 Real-world數據實驗
3 5 4 Friedman檢驗分析
3 5 5 參數敏感性分析
3 5 6 收斂性分析
3 6 本章小結
第4章 基於流形子空間集成的不完全多標籤學習
4 1 引言
4 2 問題描述
4 3 BDMC-EMR算法描述
4 3 1 聯合的共嵌入學習
4 3 2 共享的標籤嵌入
4 3 3 集成的流形正則嵌入
4 3 4 雙向矩陣補全
4 4 BDMC-EMR相關理論分析
4 5 BDMC-EMR算法優化
4 6 實驗結果與分析
4 6 1 2D模擬實驗
4 6 2 直推式不完全多標籤學習
4 6 3 歸納式不完全多標籤學習
4 6 4 Friedman檢驗分析
4 6 5 參數敏感性分析
4 6 6 時間複雜度分析
4 7 本章小結
第5章 基於不同表徵網絡集成的極端多標籤學習
5 1 引言
5 2 問題描述
5 3 HybridRCNN框架
5 3 1 空間語義信息表徵
5 3 2 時序語義信息表徵
5 3 3 自適應權重集成預測
5 4 改進的Multi-V-Transformer框架
5 4 1 多視圖注意力Transformer表徵
5 4 2 極端多標籤聚類學習
5 4 3 約簡的標籤集嵌入學習
5 4 4 集成的Multi-V-Transformer預測
5 5 中間量級多標籤文本實驗分析
5 5 1 實驗設置
5 5 2 CNN-RNN集成結構比較
5 5 3 注意力機制網絡結構比較
5 5 4 HybridRCNN消融分析
5 5 5 HybridRCNN可視化分析
5 5 6 HybridRCNN時間複雜度比較
5 6 極端量級多標籤文本實驗分析
5 6 1 實驗設置
5 6 2 極端多標籤實驗比較
5 6 3 Multi-V-Transformer集成消融分析
5 6 4 Multi-V-Transformer聚類學習分析
5 7 本章小結
第6章 基於自蒸餾集成網絡的長尾多標籤學習
6 1 引言
6 2 問題描述
6 3 監督的OLSD自蒸餾集成框架
6 3 1 特徵一致性表徵學習
6 3 2 平衡自蒸餾嚮導知識遷移
6 3 3 傾向尾類多數的Mixup增強
6 3 4 相關理論分析
6 4 改進的自監督DS-SED表徵蒸餾集成框梁
6 4 1 Mixup對比表徵學習
6 4 2 最大化互信息表徵蒸餾
6 4 3 logits補償多標籤分類器學習
6 4 4 相關理論分析
6 5 監督OLSD實驗結果與分析
6 5 1 實驗設置
6 5 2 單標籤長尾數據實驗分析
6 5 3 多標籤長尾數據實驗分析
6 6 自監督DS-SED實驗結果與分析
6 6 1 自監督DS-SED表徵性能實驗分析
6 6 2 下游Many-shot和Few-shot任務實驗分析
6 6 3 下游長尾可視化識別任務實驗分析
6 6 4 下游目標檢測及語義分割任務實驗分析
6 7 本章小結
第7章 基於多模態知識集成的開放詞多標籤學習
7 1 引言
7 2 問題描述
7 3 多模態知識集成的開放詞多標籤學習框架
7 3 1 多標籤知識蒸餾
7 3 2 多模態原型對比表徵蒸餾模塊
7 3 3 多模態交叉圖像結構對比蒸餾模塊
7 3 4 動態的多標籤原型校正
7 4 實驗結果與分析
7 4 1 實驗設置
7 4 2 與蒸餾方法實驗比較
7 4 3 與非蒸餾方法實驗比較
7 4 4 可視化注意力圖
7 4 5 原型校正可視化分析
7 5 本章小結
第8章 總結和展望
8 1 本書總結
8 2 本書展望
參考文獻
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。