三民網路書店 / 搜尋結果

在開放、動態、多變的互聯網環境下，感知並理解用戶情境是計算機軟件應具備的重要能力。近年來，基於交互文本的用戶情境解析是學術界和產業界的熱點問題。本書深入調研了基於交互文本的用戶情境解析方面的研究進展，分析總結了當前研究工作存在的問題和不足。針對這些問題，提出了基於泛在交互文本的用戶情境解析方法，為用戶情境解析提供了新穎的研究思路和有效的技術方案。本書適合具備相關計算機基礎的研究、開發人員閱讀，也可為軟件工程、萬維網、信息檢索、自然語言處理、泛在計算、人機交互等眾多領域的學者提供一定的參考和借鑒。

圖像先驗的數學建模是最經典的圖像先驗的利用方法。它不僅反映了人們想瞭解事物背後原理的渴望，也是諸多對可靠性與穩健性有高要求的實際應用的需求。本書展示了幾種典型圖像處理與分析場景下的先驗建模方法，既涉及無監督學習框架，也涉及有監督學習框架，相信能夠對領域的發展有一定的助力，同時也能給讀者帶來新的啟發。本書適合數學類、計算機類專業高年級本科生和研究生閱讀，也適合具備相關數學、編程基礎的研究、開發人員閱讀，亦可為數字人文領域的學者提供一定的參考和借鑒。

《開放環境下的度量學習研究》由南京大學人工智能學院副研究員葉翰嘉撰寫，內容榮獲2021年度CCF優秀博士學位論文獎。全書以模型在開放環境下輸入、輸出層面上面臨的挑戰為切入點，提出針對或利用度量學習特性的具體算法，從理論和應用等多個角度使度量學習的研究能夠契合開放的環境。 《開放環境下的度量學習研究》共七章：第1章 緒論，主要介紹了度量學習、開放環境的特點、開放環境的研究進展以及全書的概要。 第2章 度量學習研究進展，首先介紹了監督學習和度量學習；然後講解了三種度量學習的相關算法，包括全域度量學習方法、多度量學習方法、高效度量學習方法；*後介紹了開放環境下度量學習的研究思路。 第3章 開放環境下度量學習的樣本複雜度分析，首先展示了現有的度量學習理論結果，然後提出了基於函數性質的度量學習樣本複雜度的改進方案，以及基於度量重用的度量學習樣本複雜度的改進方案。 第4章 基於度量學習和語義映射的異構模型修正，首先介紹了相關工作；其次介紹了基於度量語義映射的模型重用框架REFORM；然後介紹了實現模型重用框架REFORM的具體方法，包括自適應尺度的REFORM實現方法、學習變換的REFORM實現方法；*後展示了用於驗證的實驗流程和結果。 第5章 多語義環境下的多度量學習方法探究，首先介紹了多度量學習方法的相關工作；其次介紹了考慮多語義的多度量學習方法；然後介紹了多度量自適應選擇框架；*後展示了用於驗證的實驗流程和結果。 第6章 考慮噪聲影響的開放環境魯棒度量學習，首先介紹了相關工作；然後介紹了考慮樣本擾動的魯棒度量學習DRIFT；*後展示了用於驗證的實驗流程和結果。 第7章 總結與展望，總結了全書的研究內容，並對未來的研究方向和研究工作做出了展望。

誰動了我的奶酪？身處互聯網浪潮中的我們時常會聽到這個疑問。為回答該問題，本書創新性地聚焦於基於斷層掃描的網絡測量技術，開展了系統深入的研究。書中的模型設計擺脫了現有網絡測量技術的單一應用場景和嚴格前提假設，充分考慮到現代網絡通信系統組成複雜、拓撲頻繁變化、通信容易失效等重要特徵，構建了靈活高效的網絡測量技術新體系。本書首先全面分析了網絡測量的研究背景和意義，並梳理了該領域的演進歷程和研究現狀。隨後針對網絡測量在靈活性、有效性和穩健性等方面日益突出的關鍵需求，逐一設計了相應的解決方案，並對其進行了詳細的理論分析和性能評測。最後介紹了網絡測量領域的未來發展趨勢，對建立智能普適的網絡測量框架進行展望。本書適合具備相關數學、網絡基礎的研究者和實踐者閱讀，也可為計算機通信與網絡等領域的從業人員和管理人員提供參考。

《視覺語言交互中的視覺推理研究》的作者牛玉磊博士于2020年在中國人民大學取得博士學會，後前往美國哥倫比亞大學開展博士後研究工作。本書從知識建模和知識推斷兩方面入手，深入研究了視覺語言交互任務中的視覺推理問題。《視覺語言交互中的視覺推理研究》共五章：第1章主要介紹了計算機視覺與自然語言處理交叉領域中交互類問題的研究背景，並分別從單輪交互、多輪交互、知識偏差三個角度選取了指稱語理解、視覺對話、視覺問答三個經典任務展開討論。第2章主要介紹了單輪交互情形的代表性視覺推理任務，即指稱語理解問題，提出了變分背景框架，根據視覺圖像和指稱語文本的聯繫及視覺物體之間的關係提取語義背景信息，並根據背景信息對指稱語進行定位。第3章介紹了多輪交互情形的代表性視覺推理任務，即視覺對話問題，提出了遞歸注意力機制，通過視覺指代消解的思想對圖像、對話和問題之間的聯繫進行建模，優化視覺表示。第4章介紹了知識偏差情形的代表性視覺推理任務，即視覺問答問題，基於因果推理提出了反事實視覺問答框架，在訓練環境和測試環境的答案分佈不一致情況下，通過因果效應的視角提取並去除語言偏差。第5章對本書進行了總結，並對未來研究方向進行了展望。

《機器學習中的標記增強理論與應用研究》由東南大學計算機科學與工程學院助理研究員徐甯撰寫。全書聚焦標記端多義性這一當今機器學習領域的熱點問題，針對學習過程中不可避免的信息損失這一突出問題，提出了標記增強的概念，以期在不增加額外數據標注負擔的前提下，挖掘訓練樣本中蘊含的標記重要性差異信息，將邏輯標記轉化為標記分佈。《機器學習中的標記增強理論與應用研究》共六章：第1章緒論，介紹了全書的研究背景和研究內容。第2章標記增強研究進展，介紹了標記增強的研究進展。第3章標記增強理論框架，構建了標記增強的理論框架。第4章面向標記分佈學習的標記增強，提出了面向標記分佈學習的標記增強。第5章標記增強在其他學習問題上的應用，將標記增強應用到其他學習問題上。第6章總結與展望，總結現有工作，並在此基礎上進行展望。

本書講述了機器能否創作詩歌？這一疑問可追溯至20世紀阿蘭·圖靈的論文。為回答該問題，本書創新性地聚焦於詩歌的文學特性和文學表現力，並開展了系統深入的研究。書中的模型設計擺脫了單一的計算思維，廣泛借鑒語言學、認知學、心理學、詩詞學等學科的知識，兼具基礎計算方法和交叉學科視角。本書分析了詩歌自動創作的研究背景和意義，詳細梳理了該領域的歷史沿革，隨後針對詩歌的連貫性、扣題性、新穎性、風格化等問題，逐一系統性地設計了相應的解決方案，最後介紹了基於本書方法構建的中文古典詩歌生成系統“九歌”。

《吉布斯分佈的局部、動態與快速採樣算法》由愛丁堡大學博士後鳳維明撰寫，內容榮獲2021年度CCF優秀博士學位論文獎。全書立足大數據背景下的新問題，從分布式採樣和動態採樣兩個具體問題入手，給出了有理論保障的算法並研究了新模型下採樣問題的複雜性。《吉布斯分佈的局部、動態與快速採樣算法》共十章，分為四個部分：第零部分(第1～2章)主要介紹了全書的研究背景、研究問題、研究成果，向讀者講解了全書的結構和章節安排，之後給出了吉布斯分佈和採樣問題的嚴格數學定義，介紹全書中經常使用的相關概念，並總結一部分已有的算法設計和分析技術。第一部分(第3～5章)從算法和複雜性兩個層面介紹有關局部採樣的研究成果。第二部分(第6～8章)給出了兩種不同的動態採樣算法設計技術，並分析相應的算法性能。第三部分(第9～10章)研究了經典的公開問題，給出了一種新的快速採樣算法設計技術和一種新的馬爾可夫鏈收斂時間分析技術。所有介紹新結果的章節都給出了相應的本章小結，總結了該章的研究成果，列舉了該方向遺留的公開問題。