鲁棒图论文_王少博

导读:本文包含了鲁棒图论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:关系,近邻,正则,稀疏,矩阵,坐标,样本。

鲁棒图论文文献综述

王少博^[1]（2017）在《面向关系利用的鲁棒图学习方法研究》一文中研究指出关系在现实世界中无处不在。在机器学习研究领域,数据中有两类关系不容忽视:1)样本之间的关系;2)标记之间的关系。大量研究结果表明,对这两类关系的合理利用对提升训练模型的预测能力至关重要。基于图的方法是关系利用的一类主流范型。这方面的代表性工作获得了国际机器学习领域十年最佳论文奖。经过十余年的研究,基于图的方法已取得了许多成果。然而,其学习性能严重依赖于图的构建。现实任务中,图构建通常难以有效确定,使得学习性能的鲁棒性不佳,有时还会出现性能的损害。本硕士论文围绕提升关系利用的鲁棒性这一重要问题展开研究,主要取得了以下创新成果:第一,针对样本关系利用对图构建敏感的问题,提出了基于大间隔准则的图质量判断方法。该方法将鲁棒样本关系利用这一难题形式化为经典半监督支持向量机框架。优化上给出高效的求解算法。实验结果表明,该方法显着提升样本关系利用的鲁棒性,有效避免传统方法会导致性能退化的现象。本论文还进一步将大间隔准则拓展用于带噪样本关系,提出了高效学习算法,有效防止带噪样本关系对性能的危害。第二,针对标记关系利用对图构建敏感的问题,提出了基于分类器构圈的标记关系利用方法。该方法通过将分类器以圈形式构建,克服了传统学习方法在标记关系利用中分类器次序对性能的严重影响。论文分析了该方法的时间复杂度与传统方法相当,不显着增加计算开销。实验结果表明,该方法显着提升标记关系利用的鲁棒性,有效避免传统标记关系利用方法会导致性能不佳的现象。(本文来源于《南京大学》期刊2017-05-28）

印爽^[2]（2017）在《鲁棒图局部坐标分解》一文中研究指出随着计算机和网络通讯技术的飞速发展,人们接触到的数据信息越来越多。如音乐、图片、文字等视觉信息,改变了人们的生活方式。然而,这些视觉信息往往是难以分析与处理的高维数据,如何从这些视觉信息中挖掘出有用的知识,成为研究人员需要解决的问题。近几年,非负矩阵分解技术在计算机视觉和模式识别领域得到非常广泛的应用。非负矩阵分解旨在找到两个非负矩阵乘积逼近原始矩阵,进而获得数据的低维表示。非负性更贴近人类大脑的认知过程,并且符合图像中的像素和文档统计中非负性的要求。因此,非负矩阵分解及其推广算法的研究,受到众多研究者的关注。非负矩阵分解的一个重要推广是非负局部坐标分解(Nonnegative Local Coordinate Factorization,NLCF)。该算法将标准的非负矩阵分解与局部限制统一在同一个框架中,使学习得到的基向量由少数几个近邻的锚点线性组合。然而,在实际应用中,非负局部坐标分解算法对噪声和异常点非常敏感,并且不能有效地表达数据的几何结构,为了解决这个问题,我们提出一个新的算法叫做鲁棒图局部坐标编码(Robust Graph Local Coordinate Factorization,RGLCF)。该算法通过在局部坐标分解中用近邻图刻画数据的内在几何结构,同时使用更具鲁棒性的?_2 _(1,)范数代替?_2范数,形成新的目标函数。这样,不仅可以保持局部限制和行稀疏,而且更具鲁棒性。给出新算法的乘积更新规则,并对算法进行了严格的收敛性证明。在ORL和Yale人脸数据库进行实验,验证算法的有效性并对算法的参数敏感度和收敛性进行分析。(本文来源于《辽宁师范大学》期刊2017-04-01）

王聪^[3]（2016）在《鲁棒图正则化非负矩阵分解》一文中研究指出21世纪,人们已经进入到高速发展的信息时代。我们每天都面对海量的数据,这些蕴含大量信息的海量数据给机器学习、数据挖掘和计算机视觉等领域带来了严峻的挑战。聚类分析是数据挖掘领域研究的基本问题之一,而非负矩阵分解是一种重要聚类分析算法。近年来,非负矩阵分解在图像处理、计算机视觉和模式识别等领域均受到了相当广泛的关注。非负矩阵分解能使数据维数获得一定程度的约减,能使数据的某种潜在结构变得清晰。非负的限制可以导致局部、稀疏的表达,这对外界噪声有更好的抑制作用。非负矩阵分解的一个重要变形是图正则化非负矩阵分解。该算法旨在让矩阵分解得到的低维因子能够尽可能准确的刻画和保持由邻接关系图反映的数据点间的流形结构。然而,实际数据往往存在质量问题,如误差、噪声、异常点等,图正则化非负矩阵分解难以全面准确的反映数据的真实特性,给聚类分析带来了困难。本文为了解决数据存在的质量问题,提出了一种新的非负矩阵分解算法:鲁棒图正则化非负矩阵分解(Robust Graph Regularized Nonnegative Matrix Factorization,RGNMF)算法,该算法通过1,2?范数替代2?范数,提高了图正则化非负矩阵分解的鲁棒性。我们给出乘积更新规则,并且提供了严格的收敛分析。我们在ORL和Yale人脸数据库上进行实验,证明了RGNMF算法的有效性。(本文来源于《辽宁师范大学》期刊2016-05-01）

王雯,王庆^[4]（2009）在《基于隔离子采样的鲁棒图模型点匹配算法》一文中研究指出为解决概率图模型匹配算法对模板点集中的外点敏感的问题,对隔离子进行了采样,并推导出采样次数和模板点集中的外点比例关系,以保证隔离子中的点能最大概率地为内点,使得推理算法中每个点的信息能得到传递。另外,算法中的互匹配解决了传统图模型匹配算法中多对一问题。实验证明,算法相对于原先的JT算法具有很高的鲁棒性和正确率。(本文来源于《计算机应用研究》期刊2009年12期）

鲁棒图论文开题报告

（1）论文研究背景及目的

此处内容要求：

首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。

写法范例：

随着计算机和网络通讯技术的飞速发展,人们接触到的数据信息越来越多。如音乐、图片、文字等视觉信息,改变了人们的生活方式。然而,这些视觉信息往往是难以分析与处理的高维数据,如何从这些视觉信息中挖掘出有用的知识,成为研究人员需要解决的问题。近几年,非负矩阵分解技术在计算机视觉和模式识别领域得到非常广泛的应用。非负矩阵分解旨在找到两个非负矩阵乘积逼近原始矩阵,进而获得数据的低维表示。非负性更贴近人类大脑的认知过程,并且符合图像中的像素和文档统计中非负性的要求。因此,非负矩阵分解及其推广算法的研究,受到众多研究者的关注。非负矩阵分解的一个重要推广是非负局部坐标分解(Nonnegative Local Coordinate Factorization,NLCF)。该算法将标准的非负矩阵分解与局部限制统一在同一个框架中,使学习得到的基向量由少数几个近邻的锚点线性组合。然而,在实际应用中,非负局部坐标分解算法对噪声和异常点非常敏感,并且不能有效地表达数据的几何结构,为了解决这个问题,我们提出一个新的算法叫做鲁棒图局部坐标编码(Robust Graph Local Coordinate Factorization,RGLCF)。该算法通过在局部坐标分解中用近邻图刻画数据的内在几何结构,同时使用更具鲁棒性的?_2 _(1,)范数代替?_2范数,形成新的目标函数。这样,不仅可以保持局部限制和行稀疏,而且更具鲁棒性。给出新算法的乘积更新规则,并对算法进行了严格的收敛性证明。在ORL和Yale人脸数据库进行实验,验证算法的有效性并对算法的参数敏感度和收敛性进行分析。

（2）本文研究方法

调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。

实证研究法：依据现有的科学理论和实践的需要提出设计。

定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。

定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。

跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。

模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。