论文目录 | |
摘要 | 第1-7页 |
Abstract | 第7-14页 |
1 绪论 | 第14-24页 |
1.1 研究背景、动机及意义 | 第14-21页 |
1.1.1 在线学习问题定义 | 第15-16页 |
1.1.2 在线学习的研究 | 第16-20页 |
1.1.3 在线学习的应用 | 第20-21页 |
1.2 论文的主要工作 | 第21-23页 |
1.3 论文的组织结构 | 第23-24页 |
2 文献综述 | 第24-31页 |
2.1 一阶在线学习算法 | 第24-28页 |
2.1.1 Online Gradient Descent算法 | 第24-26页 |
2.1.2 Follow The Regularized Leader算法 | 第26-27页 |
2.1.3 Online Mirror Descent算法 | 第27-28页 |
2.2 二阶在线学习算法 | 第28-31页 |
2.2.1 Adaptive Gradient算法 | 第28-29页 |
2.2.2 Online Newton Step算法 | 第29-31页 |
3 改进的在线ADMM算法以及基于梯度变化的悔界分析 | 第31-53页 |
3.1 引言 | 第31-33页 |
3.2 相关工作 | 第33-35页 |
3.2.1 在线ADMM算法 | 第33-34页 |
3.2.2 在线学习中基于变化的悔界分析方法 | 第34-35页 |
3.3 理论分析 | 第35-39页 |
3.3.1 Improved Online ADMM算法 | 第35-36页 |
3.3.2 基于梯度变化的悔界分析 | 第36-39页 |
3.4 推导及证明 | 第39-51页 |
3.5 实验评估 | 第51-52页 |
3.6 总结及展望 | 第52-53页 |
4 ARIMA模型的在线学习算法 | 第53-69页 |
4.1 引言 | 第53-54页 |
4.2 相关工作 | 第54-55页 |
4.3 Online ARIMA模型 | 第55-58页 |
4.3.1 时间序列模型 | 第55-56页 |
4.3.2 ARIMA模型 | 第56页 |
4.3.3 Online ARIMA算法 | 第56-58页 |
4.4 理论分析 | 第58-66页 |
4.5 实验评估 | 第66-68页 |
4.6 总结 | 第68-69页 |
5 非负矩阵分解任务的在线学习算法 | 第69-93页 |
5.1 引言 | 第69-70页 |
5.2 问题定义 | 第70-72页 |
5.2.1 问题描述 | 第70-71页 |
5.2.2 NN-PA算法 | 第71-72页 |
5.3 NN-APA算法 | 第72-77页 |
5.3.1 Non-Negative Adaptive PA算法 | 第72-74页 |
5.3.2 NN-APA Learning with Multiple Experts算法 | 第74-77页 |
5.4 理论分析 | 第77-80页 |
5.5 实验评估 | 第80-90页 |
5.5.1 实验设置 | 第80-82页 |
5.5.2 实验结果 | 第82-90页 |
5.6 相关工作 | 第90-92页 |
5.7 总结 | 第92-93页 |
6 协同主题回归模型的在线学习算法 | 第93-112页 |
6.1 引言 | 第93-95页 |
6.2 相关工作 | 第95-98页 |
6.2.1 在线贝叶斯推导 | 第95-96页 |
6.2.2 CTR模型的概率图模型及其变形 | 第96-98页 |
6.3 Online Bayesian Collaborative Topic Regression算法 | 第98-103页 |
6.3.1 CTR模型近似推导算法的回顾 | 第98-100页 |
6.3.2 obi-CTR近似推导算法 | 第100-103页 |
6.4 实验评估 | 第103-111页 |
6.4.1 数据集 | 第103-104页 |
6.4.2 实验设定及评估标准 | 第104-105页 |
6.4.3 比较算法及参数设定 | 第105页 |
6.4.4 在线评分预测任务上的评估 | 第105-107页 |
6.4.5 在线主题模型任务上的评估 | 第107-109页 |
6.4.6 案例研究 | 第109页 |
6.4.7 参数敏感性评估 | 第109-111页 |
6.5 总结 | 第111-112页 |
7 总结与展望 | 第112-114页 |
参考文献 | 第114-123页 |
攻读博士学位期间主要的研究成果 | 第123页 |