基于深度学习的关联学习研究

发布时间：2023-04-22 16:49

　　研究事物之间隐藏的关联关系有助于理解人类认知和记忆的机理。作为大数据分析的重要基础,数据关联关系的挖掘与发现可以有效的帮助人类在面对复杂海量的数据时,快速找到有价值的内容。目前存在的对于数据关联挖掘的方法多是对已有数据进行统计分析,缺少对未知数据的关联判别作用。而数据中往往存在着很多复杂的非线性关系,构造性的关联指标很难刻画所有的关联关系,因此可以从一个新的角度,学习的角度让机器可以有效的判别对象之间的关联。本文紧随国内外研究前沿,对关联关系的挖掘方法进行了深入的学习和研究,提出从学习的角度进行关联关系挖掘。关联学习作为大数据时代关联关系挖掘的重要方式之一,不同于传统的基于统计学假定的关联强度度量方式,而是利用机器学习理论,通过对已知关联关系的归纳推理学习一个具有判别作用的关联判别器,能够对未知对象之间的关联关系作出准确的判别,目前关联学习研究取得的成果如下:(1)随着信息时代多模态数据的海量增长,在这些数据中找到潜在的隐藏关系变得日益重要。为有效的挖掘数据中复杂的关联关系,本文依据机器学习计算学习理论内容,提出了关联学习理论的基本框架,定义了关联学习的输入空间,特征空间,输出空间,联...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 研究内容和组织结构
第二章 相关工作
    2.1 传统相关性分析方法
        2.1.1 基于消减误差比例的关联度量
        2.1.2 基于独立性检验的关联度量
    2.2 计算学习理论
        2.2.1 PAC(Probably Approximately Correct) 学习
        2.2.2 有限假设空间
        2.2.3 VC维 (Vapnik-Chervonenkis dimension)
        2.2.4 Rademacher复杂度和稳定性
    2.3 深度神经网络模型
        2.3.1 深度神经网络基本思想
        2.3.2 反向传播算法
        2.3.3 常用的卷积神经网络模型
    2.4 K-近邻模型
    2.5 本章小结
第三章 关联学习基本概念
    3.1 引言
    3.2 关联学习基本定义
    3.3 关联学习分析
        3.3.1 关联学习数学表达
        3.3.2 关联学习准则
        3.3.3 关联挖掘问题可学习性分析
    3.4 本章小结
第四章 关联学习判别模型研究
    4.1 引言
    4.2 数据集构建
    4.3 模型设计
        4.3.1 关联判别模型设计基础
        4.3.2 关联判别模型应用
    4.4 实验设置及结果分析
        4.4.1 实验设置
        4.4.2 实验结果分析
    4.5 本章小结
第五章 结论及展望
    5.1 本文工作总结
    5.2 研究工作展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
个人简况及联系方式



本文编号：3798033