1.哈工大（深圳）研究團隊多年成果及經驗總結；2.聚焦從不確定性的大數據中提取結構化特征——覆蓋廣泛數據對像類型；3.可實現高性能的信息挖掘和知識推斷——大大提升多種人工智能應用的效率；4.介紹大規模多源數據的視覺分析理論和方法，支撐數據聚類分析等方面的研究和應用；5.構建“基礎理論->模型與方法->學習算法->實際應用”循序漸進的體繫，幫助讀者扎實掌握理論與算法。

●第1章緒論1
1.1表征學習的概念1
1.2結構化表征學習基礎2
1.2.1結構化表征學習的基礎理論和方法2
1.2.2結構化表征學習的應用7
參考文獻8
第2章塊對角低秩表征學習11
2.1低秩表征學習方法12
2.2塊對角低秩表征學習的方法設計13
2.3塊對角低秩表征學習的優化算法15
2.4識別算法的設計18
2.5塊對角低秩表征學習的算法分析19
2.5.1收斂性分析19
2.5.2計算時間復雜度20
2.5.3新樣本預測檢驗20
2.6與現有低秩表征學習方法的關繫22
2.6.1與非負低秩表征稀疏方法的關繫22
2.6.2與結構化稀疏低秩表征方法的關繫23
2.6.3與監督正則化魯棒子空間方法的關繫24
2.7實驗驗證24
2.7.1實驗設置24
2.7.2在人臉識別任務中的實驗結果25
2.7.3在字符識別任務中的實驗結果28
2.7.4在場景識別任務中的實驗結果30
2.7.5優勢分析30
2.7.6算法收斂性實驗驗證32
2.7.7算法參數敏感性經驗分析32
2.8本章小結33
參考文獻34
第3章判別性彈性網正則化回歸表征學習38
3.1最小二乘回歸方法39
3.2基於彈性網正則化的回歸表征學習模型40
3.2.1一種普適的彈性網正則化回歸表征學習框架40
3.2.2判別性彈性網正則化回歸表征學習模型42
3.2.3判別性彈性網正則化回歸表征學習的快速模型43
3.3模型優化求解和算法分類模型44
3.3.1模型的優化求解44
3.3.2判別性回歸表征空間的構造和算法分類模型47
3.4算法分析48
3.4.1與經典回歸模型的關繫48
3.4.2時間復雜度和收斂性分析48
3.5實驗驗證50
3.5.1對比方法與實驗設置50
3.5.2在人臉識別任務中的實驗結果51
3.5.3在物體識別任務中的實驗結果55
3.5.4在場景識別任務中的實驗結果55
3.5.5與傳統的回歸表征學習模型進行對比分析56
3.5.6優化算法的收斂條件和參數敏感性經驗分析57
3.5.7算法效率分析59
3.6本章小結60
參考文獻61
第4章邊緣結構化表征學習64
4.1判別性最小二乘回歸方法65
4.2邊緣結構化表征學習模型66
4.2.1損失函數66
4.2.2算法復雜度正則項67
4.2.3自適應流形結構學習68
4.3邊緣結構化表征學習算法的優化策略70
4.3.1求解優化變量W、A和B70
4.3.2求解優化變量R71
4.3.3求解優化變量P72
4.4半監督學習模型的擴展74
4.5邊緣結構化表征學習的算法分析74
4.5.1優化算法收斂性的理論分析74
4.5.2計算復雜度75
4.6實驗驗證75
4.6.1實驗設置76
4.6.2在物體識別任務中的實驗結果77
4.6.3在人臉識別任務中的實驗結果79
4.6.4在紋理識別任務中的實驗結果81
4.6.5在場景識別任務中的實驗結果82
4.6.6識別性能對比分析83
4.6.7算法參數敏感性經驗分析85
4.6.8算法收斂性實驗驗證87
4.6.9效率對比分析88
4.7本章小結89
參考文獻89
第5章基於聯合學習的二值多視圖表征學習93
5.1二值多視圖表征學習框架95
5.1.1二值多視圖聚類模型95
5.1.2高效的可擴展多視圖圖像聚類分析模型96
5.2高效的可擴展多視圖圖像聚類算法99
5.3高效的可擴展多視圖圖像聚類算法分析102
5.3.1收斂性分析102
5.3.2復雜度分析103
5.4實驗驗證103
5.4.1數據集和評估標準103
5.4.2中等規模多視圖數據實驗驗證104
5.4.3大規模多視圖數據實驗驗證107
5.4.4經驗性分析108
5.4.5可視化分析113
5.5本章小結115
參考文獻116
第6章基於靈活局部結構擴散的廣義不完整多視圖聚類120
6.1多視圖聚類方法122
6.1.1部分多視圖聚類122
6.1.2多個不完整視圖聚類123
6.2基於靈活局部結構擴散的廣義不完整多視圖聚類模型123
6.2.1單視圖個體表征學習124
6.2.2多視圖一致性表征學習125
6.2.3自適應加權多視圖學習126
6.2.4GIMC_FLSD的總體目標函數126
6.3GIMC_FLSD的優化算法127
6.4GIMC_FLSD的理論分析129
6.4.1計算復雜度129
6.4.2收斂性分析130
6.4.3與其他方法的聯繫130
6.5實驗驗證131
6.5.1實驗配置131
6.5.2實驗結果和分析133
6.5.3時間復雜度分析137
6.5.4參數靈敏度分析139
6.5.5收斂性分析142
6.6本章小結143
參考文獻143
第7章可擴展的監督非對稱哈希學習148
7.1哈希學習方法149
7.2可擴展的監督非對稱哈希學習模型151
7.2.1問題定義151
7.2.2方法解析152
7.3可擴展的監督非對稱哈希表征學習的優化算法154
7.3.1交替優化方法154
7.3.2收斂性分析158
7.3.3算法的樣本外擴展問題158
7.4實驗驗證159
7.4.1實驗數據159
7.4.2實驗設置160
7.4.3在CIFAR-10圖像檢索數據集上的實驗結果161
7.4.4在Caltech-256目標檢索數據集上的實驗結果165
7.4.5在SUN-397場景檢索數據集上的實驗結果167
7.4.6在ImageNet大規模數據集上的實驗結果169
7.4.7在NUS-WIDE多實例數據集上的實驗結果171
7.4.8實驗分析和討論173
7.5本章小結175
參考文獻175
第8章深度語義協同哈希學習181
8.1哈希學習方法182
8.2深度語義協同哈希學習模型184
8.2.1問題定義184
8.2.2特征嵌入網絡185
8.2.3類別編碼網絡186
8.2.4構建語義不變結構186
8.2.5協同學習187
8.3深度語義協同哈希學習的優化算法設計187
8.3.1訓練策略分析187
8.3.2樣本擴展問題188
8.4實驗驗證188
8.4.1實驗設置189
8.4.2評估標準189
8.4.3在NUS-WIDE數據集上的實驗結果189
8.4.4在MIRFlickr數據集上的實驗結果193
8.4.5在CIFAR-10數據集上的實驗結果196
8.4.6子模塊分析198
8.4.7參數敏感性分析和可視化結果199
8.5本章小結200
參考文獻201
第9章判別性費希爾嵌入字典學習205
9.1相關工作207
9.1.1符號定義207
9.1.2畫像定義207
9.1.3FDDL算法208
9.2判別性費希爾嵌入字典學習算法209
9.2.1判別性費希爾原子嵌入模型209
9.2.2判別性費希爾繫數嵌入模型210
9.2.3DFEDL算法的目標函數211
9.3判別性費希爾嵌入字典學習的優化算法211
9.4算法對比與分析213
9.4.1DFEDL算法與FDDL算法的關繫214
9.4.2時間復雜度分析215
9.4.3收斂性分析215
9.5實驗驗證216
9.5.1實驗配置216
9.5.2數據集描述217
9.5.3在深度特征數據集上的實驗結果218
9.5.4在手工數據集上的實驗結果219
9.5.5實驗結果分析221
9.5.6參數敏感性分析222
9.5.7實驗收斂性分析223
9.5.8不同原子數的影響223
9.5.9與深度學習模型的對比224
9.6本章小結226
參考文獻227
附錄234
附錄A引理9-1及其證明過程234
附錄B引理9-2及其證明過程236
附錄C定理9-1及其證明過程237

結構化表征學習是機器學習研究的核心問題之一，旨在探索如何從高維可觀測數據中獲取有效的結構化信息表示，以實現高精度、魯棒、快速的數據分析，是由數據到知識的關鍵渠道。本書重點介紹如何從具有不確定性的海量大媒體數據中挖掘和提取結構化、魯棒、高效的特征，並實現高性能的信息挖掘和知識推斷。本書內容包含近年來湧現的一些高效、魯棒的結構化表征學習模型，介紹了基於魯棒且緊湊的表征學習的一體化表征學習理論和方法，並為應對真實世界中的數據分析任務，如數據簡約特征表達、緊湊特征壓縮、有效特征篩選以及隱含知識挖掘等，提供了較為全面且切實可靠的解決方案。本書作者所在的團隊多年來一直從事機器學習、計算機視覺、多媒體分析的研究，承擔過眾多重量和省部級科研項目，具備從理論研究到工程應用的相關基礎。本書是對作者近五年研究成果的總結和梳理，書中介紹的理論和方法能夠很好地和實際應用結合在一起，行文流暢易讀，適合具有一定專業基礎等

張正,徐勇,盧光明 著