基于低秩結(jié)構(gòu)學(xué)習(xí)的譜聚類(lèi)理論與方法

　　近年來(lái)，隨著數(shù)據(jù)獲取能力的不斷提高和計(jì)算機(jī)的飛速發(fā)展，人們獲得的數(shù)據(jù)信息越來(lái)越多，數(shù)據(jù)維數(shù)越來(lái)越高，如何尋找這些海量高維數(shù)據(jù)信息中潛在的規(guī)律，更好地為人類(lèi)服務(wù)，是目前人工智能面臨的挑戰(zhàn)之一。 在沒(méi)有標(biāo)簽信息的情況下，對(duì)高維數(shù)據(jù)實(shí)施維數(shù)約簡(jiǎn)的同時(shí)進(jìn)行歸類(lèi)分析，挖掘數(shù)據(jù)的內(nèi)在低秩結(jié)構(gòu)，是當(dāng)前機(jī)器學(xué)習(xí)的一個(gè)難點(diǎn)、也是熱點(diǎn)之一。譜聚類(lèi)作為聚類(lèi)分析的一種，不僅對(duì)初始值和數(shù)據(jù)噪聲有更好的魯棒性，而且實(shí)施簡(jiǎn)單，可以被標(biāo)準(zhǔn)的線(xiàn)性代數(shù)方法進(jìn)行有效求解。因此，基于低秩結(jié)構(gòu)學(xué)習(xí)的譜聚類(lèi)理論和方法在機(jī)器學(xué)習(xí)、人工智能、大數(shù)據(jù)技術(shù)方面有著更加廣闊的應(yīng)用空間。本書(shū)主要研究了基于低秩結(jié)構(gòu)學(xué)習(xí)的譜聚類(lèi)理論與方法，從矩陣和張量?jī)煞矫孢M(jìn)行研究。重點(diǎn)關(guān)注緊湊低秩表示學(xué)習(xí)、魯棒的無(wú)監(jiān)督特征選擇學(xué)習(xí)、圖正則化低秩因子分解學(xué)習(xí)、張量低秩稀疏表示學(xué)習(xí)和增強(qiáng)的張量低秩表示學(xué)習(xí)等，理論分析了這些基于低秩結(jié)構(gòu)的表示學(xué)習(xí)方法優(yōu)化過(guò)程、復(fù)雜度、收斂性等，實(shí)驗(yàn)結(jié)果表明了這些方法在譜聚類(lèi)方面的優(yōu)越性。

　　杜世強(qiáng)，理學(xué)博士，西北民族大學(xué)副教授，碩士研究生導(dǎo)師，國(guó)家自然基金面上項(xiàng)目函評(píng)專(zhuān)家，IEEE會(huì)員、中國(guó)計(jì)算機(jī)學(xué)會(huì)會(huì)員。曾于美國(guó)猶他州立大學(xué)和意大利摩德納雷焦艾米利亞大學(xué)訪學(xué)，研究方向?yàn)闄C(jī)器學(xué)習(xí)、圖像處理與神經(jīng)網(wǎng)絡(luò)。在《基于知識(shí)系統(tǒng)》（Knowledge-Based Systems）、《吉林大學(xué)學(xué)報(bào)》等國(guó)內(nèi)外學(xué)術(shù)期刊發(fā)表論文40余篇。主持國(guó)家自然科學(xué)基金項(xiàng)目、甘肅省自然科學(xué)基金項(xiàng)目、甘肅省高等學(xué)?？蒲许?xiàng)目等項(xiàng)目7項(xiàng)。