高維數據的涌現為信息的獲取提供了大量潛在資源,同時也對數據挖掘技術提出了更大的挑戰(zhàn).數據的表達形式對信息的挖掘至關重要.目前傳統(tǒng)的數據表達形式是向量,盡管其形式簡單且易于操作,但往往難以全面刻畫高維數據的復雜結構.相對而言,矩陣和張量作為向量的高階推廣,能夠更好地保持數據內部信息,為高維數據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據分析中發(fā)揮著越來越重要的作用,成為缺失數據補全以及高階相關學習的重要工具.然而,如何將諸多低秩算法應用到更多的實際問題中,并檢驗其有效性,進而改進現有算法或設計新型算法,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全和腦功能網絡構建等問題對低秩學習進行了研究,主要貢獻如下:1)提出了一種新型的缺失成績補全方法,提高了傳統(tǒng)方法和低秩方法的精度.針對缺失成績補全問題,通過對若干主流方法的對比性研究,我們發(fā)現:盡管低秩逼近在許多數據補全任務中得到了成功的應用,但其在考試分數數據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全方法,通過有效利用課程之間以及學生之間的雙重相關性,顯式地建模了成績數據中的結構信息,...

【文章頁數】：46 頁

【學位級別】：碩士

【部分圖文】：

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

推斷拓撲相同的腦功能網絡.雖然組稀疏(被L1范數編碼)可以在多任務學習的視角下有效地利用主體之間的關系[46,53],但是在實踐中,GSR背后的假設(即總體先驗)太強,難以得到滿足.因為許多研究都指出,不同個體的腦功能網絡結構之間存在著顯著差異,特別是當病人和健康....

圖3.2.動機說明.我們畫了4張卡通面孔,每一張都對應于一個個體.(a)

圖3.2.動機說明.我們畫了4張卡通面孔,每一張都對應于一個個體.(a)在個體層次上,基于PC或SR的構建的腦功能網絡,從而可能導致不同的拓撲結構;(b)由于使用了總體先驗的“約束”,基于GSR構建的個體之間拓撲上是相似的腦功能網絡;(c)....

圖3.3.基于估計出的腦功能網絡的MCI識別流程.3.4.4結果

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

圖3.4基于不同方法的一個被試的網絡鄰接矩陣.

(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絡鄰接矩陣.3.4.4.2分類結果在表3.3中,我們報告了5種不同方法的分類結果,包括精度,敏感性和特異性,它們的定義如下:精....

本文編號：4037179