高維數(shù)據(jù)的涌現(xiàn)為信息的獲取提供了大量潛在資源,同時也對數(shù)據(jù)挖掘技術(shù)提出了更大的挑戰(zhàn).數(shù)據(jù)的表達(dá)形式對信息的挖掘至關(guān)重要.目前傳統(tǒng)的數(shù)據(jù)表達(dá)形式是向量,盡管其形式簡單且易于操作,但往往難以全面刻畫高維數(shù)據(jù)的復(fù)雜結(jié)構(gòu).相對而言,矩陣和張量作為向量的高階推廣,能夠更好地保持?jǐn)?shù)據(jù)內(nèi)部信息,為高維數(shù)據(jù)的分析和挖掘提供了便利.特別是近年來,矩陣和張量的低秩逼近理論在高維數(shù)據(jù)分析中發(fā)揮著越來越重要的作用,成為缺失數(shù)據(jù)補(bǔ)全以及高階相關(guān)學(xué)習(xí)的重要工具.然而,如何將諸多低秩算法應(yīng)用到更多的實際問題中,并檢驗其有效性,進(jìn)而改進(jìn)現(xiàn)有算法或設(shè)計新型算法,仍是一個有待深入研究的問題.為此,本文主要圍繞缺失的考試成績補(bǔ)全和腦功能網(wǎng)絡(luò)構(gòu)建等問題對低秩學(xué)習(xí)進(jìn)行了研究,主要貢獻(xiàn)如下:1)提出了一種新型的缺失成績補(bǔ)全方法,提高了傳統(tǒng)方法和低秩方法的精度.針對缺失成績補(bǔ)全問題,通過對若干主流方法的對比性研究,我們發(fā)現(xiàn):盡管低秩逼近在許多數(shù)據(jù)補(bǔ)全任務(wù)中得到了成功的應(yīng)用,但其在考試分?jǐn)?shù)數(shù)據(jù)集上并不能很好地發(fā)揮作用.因此,我們提出了一種新的成績補(bǔ)全方法,通過有效利用課程之間以及學(xué)生之間的雙重相關(guān)性,顯式地建模了成績數(shù)據(jù)中的結(jié)構(gòu)信息,...

【文章頁數(shù)】：46 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.1.提出的兩步腦功能網(wǎng)絡(luò)估計框架.首先,采用如PC和SR的傳統(tǒng)

推斷拓?fù)湎嗤哪X功能網(wǎng)絡(luò).雖然組稀疏(被L1范數(shù)編碼)可以在多任務(wù)學(xué)習(xí)的視角下有效地利用主體之間的關(guān)系[46,53],但是在實踐中,GSR背后的假設(shè)(即總體先驗)太強(qiáng),難以得到滿足.因為許多研究都指出,不同個體的腦功能網(wǎng)絡(luò)結(jié)構(gòu)之間存在著顯著差異,特別是當(dāng)病人和健康....

圖3.2.動機(jī)說明.我們畫了4張卡通面孔,每一張都對應(yīng)于一個個體.(a)

圖3.2.動機(jī)說明.我們畫了4張卡通面孔,每一張都對應(yīng)于一個個體.(a)在個體層次上,基于PC或SR的構(gòu)建的腦功能網(wǎng)絡(luò),從而可能導(dǎo)致不同的拓?fù)浣Y(jié)構(gòu);(b)由于使用了總體先驗的“約束”,基于GSR構(gòu)建的個體之間拓?fù)渖鲜窍嗨频哪X功能網(wǎng)絡(luò);(c)....

圖3.3.基于估計出的腦功能網(wǎng)絡(luò)的MCI識別流程.3.4.4結(jié)果

圖3.3.基于估計出的腦功能網(wǎng)絡(luò)的MCI識別流程.絡(luò)可視化3.2節(jié)所述,我們首先使用基準(zhǔn)方法,即步驟一中的PC能網(wǎng)絡(luò).在此之后,執(zhí)行步驟二,利用LORTA對初始估細(xì)化.也就是說,LORTA的操作是基于PC和SR的,因功能網(wǎng)絡(luò)結(jié)果看作是....

圖3.4基于不同方法的一個被試的網(wǎng)絡(luò)鄰接矩陣.

(a)PC(b)PC-tensor(c)SR(d)GSR(e)SR-tensor圖3.4基于不同方法的一個被試的網(wǎng)絡(luò)鄰接矩陣.3.4.4.2分類結(jié)果在表3.3中,我們報告了5種不同方法的分類結(jié)果,包括精度,敏感性和特異性,它們的定義如下:精....

本文編號：4037179