機(jī)器學(xué)習(xí)及其應(yīng)用2015

稀疏學(xué)習(xí)在多任務(wù)學(xué)習(xí)中的應(yīng)用
  1 引言
  2 魯棒多任務(wù)特征學(xué)習(xí)
  3 多階段多任務(wù)特征學(xué)習(xí)
  4 結(jié)語(yǔ)
  參考文獻(xiàn)
眾包數(shù)據(jù)標(biāo)注中的隱類別分析
  1 引言
  2 眾包標(biāo)注問(wèn)題
  3 標(biāo)注整合的幾種基本模型
    3.1 多數(shù)投票模型
    3.2 混淆矩陣模型
  4 眾包標(biāo)注中的隱類別結(jié)構(gòu)
  5 隱類別估計(jì)
  6 實(shí)驗(yàn)表現(xiàn)
  7 結(jié)語(yǔ)
  參考文獻(xiàn)
演化優(yōu)化的理論研究進(jìn)展
  1 引言
  2 演化優(yōu)化算法
  3 演化優(yōu)化的理論發(fā)展
  4 運(yùn)行時(shí)間分析方法
  5 逼近性能分析
  6 算法參數(shù)分析
  7 結(jié)語(yǔ)
  參考文獻(xiàn)
基于貝葉斯卷積網(wǎng)絡(luò)的深度學(xué)習(xí)算法
  1 引言
  2 多層稀疏因子分析
    2.1 單層模型
    2.2 抽取和最大池化
    2.3 模型特征和可視化
  3 層次化貝葉斯分析
    3.1 層級(jí)結(jié)構(gòu)
    3.2 計(jì)算
    3.3 貝葉斯輸出的應(yīng)用
    3.4 與之前模型的相關(guān)性
  4 推理中發(fā)掘卷積
    4.1 Gibbs采樣
    4.2 VB推理
    4.3 在線VB
  5 實(shí)驗(yàn)結(jié)果
    5.1 參數(shù)設(shè)定
    5.2 合成數(shù)據(jù)以及MNIST數(shù)據(jù)
    5.3 Caltech 101數(shù)據(jù)分析
    5.4 每層的激活情況
    5.5 稀疏性
    5.6 對(duì)于Caltech 101的分類
    5.7 在線VB和梵·高油畫(huà)分析
  6 結(jié)語(yǔ)
  參考文獻(xiàn)
半監(jiān)督支持向量機(jī)學(xué)習(xí)方法的研究
  1 引言
  2 半監(jiān)督支持向量機(jī)簡(jiǎn)介
  3 半監(jiān)督支持向量機(jī)學(xué)習(xí)方法
    3.1 多：用于多訓(xùn)練示例的大規(guī)模半監(jiān)督支持向量機(jī)
    3.2 快：用于提升學(xué)習(xí)效率的快速半監(jiān)督支持向量機(jī)
    3.3 好：用于提供性能保障的安全半監(jiān)督支持向量機(jī)
    3.4 ?。河糜诖鷥r(jià)抑制的代價(jià)敏感半監(jiān)督支持向量機(jī)
  4 結(jié)語(yǔ)
  參考文獻(xiàn)
差分隱私保護(hù)的機(jī)器學(xué)習(xí)
  1 引言
  2 相關(guān)定義及性質(zhì)
  3 常用機(jī)制
  4 針對(duì)光滑查詢的隱私保護(hù)機(jī)制
  5 實(shí)驗(yàn)結(jié)果
  6 結(jié)語(yǔ)
  參考文獻(xiàn)
學(xué)習(xí)無(wú)參考型圖像質(zhì)量評(píng)價(jià)方法研究
  1 引言
  2 基于特征表示的圖像質(zhì)量評(píng)價(jià)方法
    2.1 基于特征降維的無(wú)參考型圖像質(zhì)量評(píng)價(jià)方法
    2.2 基于圖像塊學(xué)習(xí)的無(wú)參考型圖像質(zhì)量評(píng)價(jià)方法
    2.3 基于稀疏表示的無(wú)參考型圖像質(zhì)量評(píng)價(jià)方法
  3 基于回歸分析的圖像質(zhì)量評(píng)價(jià)方法
    3.1 基于支撐矢量回歸的無(wú)參考型圖像質(zhì)量評(píng)價(jià)方法
    3.2 基于神經(jīng)網(wǎng)絡(luò)的無(wú)參考型圖像質(zhì)量評(píng)價(jià)方法
    3.3 基于多核學(xué)習(xí)的無(wú)參考型圖像質(zhì)量評(píng)價(jià)方法
  4 基于貝葉斯推理的圖像質(zhì)量評(píng)價(jià)方法
    4.1 簡(jiǎn)單概率模型圖像質(zhì)量評(píng)價(jià)方法
    4.2 基于主題概率模型的圖像質(zhì)量評(píng)價(jià)方法
    4.3 基于深度學(xué)習(xí)的圖像質(zhì)量評(píng)價(jià)方法
  5 實(shí)驗(yàn)結(jié)果
  6 結(jié)語(yǔ)
  參考文獻(xiàn)
圖像語(yǔ)義分割
  1 引言
  2 無(wú)監(jiān)督圖像區(qū)域分割
  3 全監(jiān)督語(yǔ)義分割方法
    3.1 基于多尺度分割的語(yǔ)義分割方法
    3.2 基于多特征融合的語(yǔ)義分割方法
    3.3 基于深度網(wǎng)絡(luò)的語(yǔ)義分割方法
  4 弱監(jiān)督語(yǔ)義分割方法
    4.1 帶Bounding Box訓(xùn)練圖像數(shù)據(jù)
    4.2 有精確圖像層標(biāo)簽的訓(xùn)練圖像數(shù)據(jù)
    4.3 帶噪聲標(biāo)簽的訓(xùn)練圖像數(shù)據(jù)
  5 面向語(yǔ)義圖像分割的常用數(shù)據(jù)集
  6 不同監(jiān)督條件下state of the art方法對(duì)比
  7 結(jié)語(yǔ)
  參考文獻(xiàn)
機(jī)器學(xué)習(xí)在多模態(tài)腦圖像分析中的應(yīng)用
  1 引言
  2 流形正則化多任務(wù)特征學(xué)習(xí)
  3 多模態(tài)流形正則化遷移學(xué)習(xí)
  4 視圖中心化的多圖譜分類
  5 實(shí)驗(yàn)結(jié)果
    5.1 流形正則化多任務(wù)特征學(xué)習(xí)
    5.2 多模態(tài)流形正則化遷移學(xué)習(xí)
    5.3 視圖中心化的多圖譜分類
  6 結(jié)語(yǔ)
  參考文獻(xiàn)
寒武紀(jì)神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)
  1 人工神經(jīng)網(wǎng)絡(luò)
  2 曾經(jīng)的失敗
    2.1 算法：SVM的崛起
    2.2 應(yīng)用：認(rèn)知任務(wù)被忽略
    2.3 工藝：通用處理器享受摩爾定律紅利
  3 神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)的涅槃
    3.1 算法：深度學(xué)習(xí)的有效訓(xùn)練算法
    3.2 應(yīng)用：認(rèn)知任務(wù)的普遍化
    3.3 工藝：暗硅時(shí)代的到來(lái)
    3.4 第二代神經(jīng)網(wǎng)絡(luò)的興起
  4 主要挑戰(zhàn)
  5 寒武紀(jì)神經(jīng)網(wǎng)絡(luò)（機(jī)器學(xué)習(xí)）處理器
    5.1 DianNao
    5.2 DaDianNao
    5.3 PuDianNao
  6 未來(lái)工作
  參考文獻(xiàn)