Robust Latent Feature Learning for Incomplete Big Data - Couverture souple

Wu, Di

Couverture souple

ISBN 10 : 9811981418 ISBN 13 : 9789811981418

Editeur : Springer, 2022

Synopsis

Les mégadonnées incomplètes sont fréquemment rencontrées dans de nombreuses applications industrielles, telles que les systèmes de recommandation, l'Internet des objets, le transport intelligent, le cloud computing, etc. Il est d'une grande importance de les analyser pour l'exploitation minière de connaissances et de modèles riches et précieux. L'analyse des fonctionnalités latentes (LFA) est l'une des méthodes d'apprentissage de représentation les plus populaires, adaptées aux mégadonnées incomplètes en raison de sa haute précision, de son efficacité informatique et de sa facilité d'évolutivité. L'essentiel de l'analyse des mégadonnées incomplètes réside dans la résolution du problème d'incertitude causé par leurs caractéristiques incomplètes. Cependant, les méthodes LFA existantes ne tiennent pas pleinement compte de cette incertitude.

Dans ce livre, l'auteur présente plusieurs méthodes d'apprentissage des fonctionnalités latentes robustes pour répondre à cette incertitude pour analyser efficacement et efficacement les mégadonnées incomplètes, y compris un apprentissage robuste des fonctionnalités latentes basé sur la norme L 1 lisse, améliorant la robustesse de l'apprentissage des caractéristiques latentes en utilisant la norme L 1, améliorant la robustesse de l'apprentissage des caractéristiques latentes en utilisant un double espace, un apprentissage des caractéristiques latentes conscient des données, un quartier postérieur régulier. Apprentissage de la fonctionnalité latente ing et apprentissage des fonctionnalités latentes profondes généralisées. Les lecteurs peuvent obtenir un aperçu des défis liés à l'analyse des mégadonnées incomplètes et comment utiliser l'apprentissage des fonctionnalités latentes pour construire un modèle robuste pour analyser les mégadonnées incomplètes. En outre, ce livre fournit plusieurs algorithmes et cas d'application réels, qui peuvent aider les étudiants, les chercheurs et les professionnels à construire facilement leurs modèles pour analyser les mégadonnées incomplètes.

Détails de l'édition

• Éditeur: Springer
• Date d'édition: 2022
• Langue: anglais
• ISBN 10: 9811981418
• ISBN 13: 9789811981418
• Reliure: Broché
• Nombre de pages: 130
• Coordonnées du fabricant: non disponible
• Personne responsable: CMN Printpool Inh. Mathis Neumann; https://www.also.com/ec/cms5/en_6000/6000/index.jsp; ; Friedrich-Karl-Str. 9; Hamburg; Allemagne