基于多源数据的矩阵分解的研究

发布时间：2021-02-20 19:12

　　多源数据在现实中的应用十分广泛。例如,在阿兹海默症的诊断中,医生可能会从核磁共振图像,正电子发射断层扫描图像和脑脊液成分测试中收集病人的信息,通过来自不同源的数据,医生可以得到关于病人的大脑结构萎缩程度的信息,病人大脑的新陈代谢速率的信息以及病人脑脊液中蛋白质水平的信息。这些不同的信息构成了医生对于病人的诊断。同样,在机器学习中,我们也可以利用多源数据间的内在联系,来提升模型的泛化性能。本文针对多源数据的现状,应用矩阵分解方法,做出了如下几点工作:首先,我们应用矩阵分解方法对多源数据进行重构,提出了规范化多源矩阵分解方法。确切地说,为了对不同数据源之间的关系建模,规范化多源矩阵分解模型首先使用非负矩阵分解方法将观察到的多源异构数据分解成对象因子和特征因子。然后,我们根据对象因子和特征因子实现对数据重构。其次,在这个过程中我们假设同一个数据源的不同对象共享相同的特征因子。最后,对于同一个对象的不同的数据源的对象因子,我们限定其相似性。第二,为了降低多源数据的噪音和验证重构数据的有效性,我们提出了自步多任务学习方法对重构数据进行分类验证。其中,多任务学习方法利用了多源数据之间的共享信息来提... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究历史与现状
        1.2.1 多源数据与多任务学习
        1.2.2 多源数据与自步学习
        1.2.3 非负矩阵分解
        1.2.4 矩阵分解与重构
        1.2.5 矩阵分解与聚类
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 相关技术研究
    2.1 非负矩阵分解
        2.1.1 非负矩阵分解模型
        2.1.2 基本模型优化
    2.2 自步学习
        2.2.1 课程学习
        2.2.2 自步学习
    2.3 本章小结
第三章 基于矩阵分解的多源数据重构
    3.1 背景知识
    3.2 阿兹海默病相关工作
    3.3 矩阵分解对多源数据的重构
    3.4 多源数据的自步分类算法
        3.4.1 多任务学习算法
        3.4.2 自步分类算法模型
    3.5 实验结果
        3.5.1 数据
        3.5.2 结果及分析
    3.6 本章小结
第四章 基于矩阵分解的多源数据聚类
    4.1 相关工作
    4.2 矩阵分解对多源数据的聚类
    4.3 多源数据的自步聚类算法
        4.3.1 目标函数
        4.3.2 优化算法
    4.4 实验
        4.4.1 实验设置
        4.4.2 实验结果分析
        4.4.3 敏感度和时间复杂度分析
    4.5 本章小结
第五章 总结与展望
    5.1 本文主要工作总结
    5.2 工作展望
致谢
参考文献
攻读硕士学位期间取得的研究成果



本文编号：3043219