机器学习及其应用

因果推断的可分解性和可传递性问题

1 引言

2 图模型结构学习的可分解条件

3 直接作用和间接作用

3.1 基于关联模型的直接作用与间接作用

3.2 基于因果模型的主分层直接作用

3.3 控制的和自然的直接作用

4 因果作用的可传递性问题

5 讨论

参考文献

机器学习的几何观点

1 引言

2 监督学习、半监督学习与无监督学习

3 基于几何拓扑的降维算法

3.1 流形降维

3.2 几何和拓扑

3.3 保局投影

4 主动学习和半监督学习：基于几何的观点

5 结束语和展望

参考文献

协同过滤与链接预测的迁移学习问题

1 引言

1.1 问题背景

1.2 相关研究工作综述

2 基于矩阵分解的潜在特征空间共享

2.1 组级评分矩阵共享

2.2 项目潜在特征共享

3 协同过滤的迁移学习

3.1 评分矩阵生成模型

3.2 实验结果

4 链接预测的迁移学习

4.1 集体链接预测模型

4.2 实验结果

5 结语

参考文献

LDA的并行化运算及其应用

1 引言

2 LDA算法介绍

3 LDA算法的并行化一一PLDA

4 LDA算法的进一步并行化一一PLDA十

5 AdHeat算法一一PLDA在社区推荐中的应用

6 结束语

参考文献

关于二类模式分类问题的分解

1 引言

2 最小最大模块化网络

2.1 问题分解

2.2 模块集成

3 高斯零交叉函数最小最大模块化网络

3.1 高斯零交叉函数

3.2 高斯零交叉函数最小最大模块化网络的特点

3.3 与其他分类器的关系

4 大规模二类问题的分解策略

4.1 随机分解

4.2 超平面分解

4.3 聚类分解

4.4 基于先验知识的分解

5 大规模不平衡专利数据分类

5.1 实验数据

5.2 最小最大模块化Lib1inear

5.3 性能评价指标

5.4 Section层上A类为正类的二类问题实验

5.5 Section层上的全部二类问题实验

6 结论

……

面向降维的图构建技术

统计词对齐

概念、相似性与聚类分析

互联网行业对机器学习和其他计算技术的需求

基于指数族混合模型的在线式演化聚类算法

多标记学习

Ranking on Large-scale Graphs with Rich Metadata

Semi-supervised Learnin~with Mixed Unlabeled Data

Learning with Local Consistency

机器学习是计算机科学和人工智能中非常重要的一个研究领域。近年来，机器学习不仅在计算机科学的众多领域中大显身手，还成为一些交叉学科的重要支持技术。本书邀请国内外相关领域的专家撰文，以综述的形式分别介绍机器学习不同分支及相关领域的研究进展。全书共分14章，内容分别涉及因果推断、流形学习与降维、迁移学习、类别不平衡学习、演化聚类、多标记学习、排序学习、半监督学习等技术和协同过滤、社区推荐、机器翻译等应用，以及互联网应用对机器学习技术需求的探讨。本书可供计算机、自动化及相关专业的研究人员、教师、研究生和工程技术人员参考。

可供计算机、自动化及相关专业的研究人员、教师、研究生和工程技术人员参考。