图文详情

跨域知识迁移关键技术与应用

正版全新

作者: 杨国利等
出版社: 电子工业出版社
ISBN: 9787121537998

出版时间: 2022-12
装帧: 其他

作者: 杨国利等
出版社: 电子工业出版社

ISBN: 9787121537998
出版时间: 2022-12

装帧: 其他

售价 66.02 7.5折

定价￥88.00

品相全新

优惠

发货

承诺48小时内发货

运费

本店暂时无法向该地区发货

延迟发货说明

时间：

说明：

上书时间2026-11-14

数量: 库存2件

立即购买加入购物车收藏

卖家超过10天未登录

六年老店

经管法律专营店

店铺等级

资质认证

90天平均

成功完成

84.62% (368笔)

好评率

100%

发货时间

18.11小时

店主

经管法律专营店

联系

在线交谈离线留言

地址

天津市南开区

电话

联系卖家

进店逛逛收藏店铺

商品详情
店铺评价

立即购买加入购物车收藏

手机购买

微信扫码访问

商品分类：

计算机与互联网

货号：

5094974

商品描述：

【书    名】跨域知识迁移关键技术与应用
【书    号】 9787121537998
【出版社】电子工业出版社
【作    者】杨国利等
【出版日期】 2025-11-01
【定    价】 88.00元

【内容简介】
在人工智能迈向通用人工智能（AGI）的进程中，“领域鸿沟”下的模型泛化失效成为当前的核心挑战。本书聚焦“跨域知识迁移”，系统探讨了如何突破传统机器学习“独立同分布”假设的局限，赋予模型“举一反三”的迁移能力，构筑了从理论到应用的桥梁。本书首先探讨迁移学习的数学基础，剖析大模型时代的范式跃迁；其次聚焦空间特征迁移，利用图学习增强技术破解异构数据难题；随后探讨鲁棒知识整合，解决跨模态、跨任务、标签整合等方面的挑战；*后直面复杂场景，针对长尾分布、时空问题等实际痛点提出系统性解决方案。本书为读者构建了从基础概念到特定场景的知识体系，可为智慧交通、生物组学、影像处理等领域迁移挑战提供可信的设计理念与可行的技术路线。本书适合人工智能与数据科学领域的研究人员、工程师阅读，也适合相关专业的高年级本科生及研究生阅读。

【目录】
第*部分知识迁移范式

第1 章迁移学习基础

1.1 独立同分布假设危机

1.1.1 数据“饥渴”与标注“高墙”

1.1.2 独立同分布的幻象

1.2 迁移学习的形式化定义

1.2.1 领域与任务的数学表达

1.2.2 迁移学习问题定义

1.2.3 不变性与特异性的平衡

1.3 微调到泛化的范式跃迁

1.3.1 第*阶段：参数微调

1.3.2 第二阶段：域适应

1.3.3 第三阶段：域泛化

1.4 数据视角的分类体系

1.4.1 基于样本的迁移

1.4.2 基于特征的迁移

1.4.3 基于关系的迁移

1.5 本章小结

参考文献

第2 章大模型知识迁移?

2.1 大模型简介

2.1.1 涌现、泛化与迁移

2.1.2 大模型迁移机制

2.2 大模型知识迁移模式

2.2.1 预训练与微调模式

2.2.2 上下文学习模式

2.2.3 知识蒸馏模式

2.2.4 多模态对齐模式

2.3 本章小结

参考文献

第二部分空间特征迁移

第3 章图学习驱动的跨域语义对齐

3.1 跨域语义对齐的核心挑战

3.2 图学习驱动的语义对齐

3.2.1 数据结构感知与图构建

3.2.2 图卷积网络的语义传递

3.2.3 类中心对齐的语义收敛

3.3 语义对齐的多损失优化

3.4 实验验证与分析

3.4.1 方法对比分析

3.4.2 训练过程指标变化

3.4.3 可视化定性验证

3.5 本章小结

参考文献

第4 章异构空间中的迁移学习

4.1 异构迁移学习的挑战

4.1.1 当距离失去意义

4.1.2 迁移中的统计异构性

4.2 图感知对齐技术

4.2.1 结构一致性假设

4.2.2 实例图的动态构建

4.2.3 图卷积网络的特征传播

4.3 混合专家模型

4.3.1 专家的分工设计

4.3.2 专家的互学习协同

4.4 鲁棒专家增强与整合

4.4.1 核心结构保留的增强

4.4.2 测试时的动态加权聚合

4.4.3 GCML 算法实现

4.5 实验验证与分析

4.5.1 实验设置

4.5.2 方法对比分析

4.5.3 消融实验与参数敏感性

4.5.4 计算成本与效率优化

4.6 本章小结

参考文献

第5 章半监督场景下的特征迁移

5.1 半监督场景下的核心挑战

5.1.1 半监督场景下的标注瓶颈

5.1.2 半监督场景下的分布不一致

5.1.3 基于图结构的解决思路

5.2 基于图结构的特征表示

5.2.1 传统卷积神经网络的局限

5.2.2 图结构感知

5.2.3 问题定义与形式化

5.3 迁移方法架构设计

5.3.1 教师－学生模型与双向混合

5.3.2 样本间的结构感知对齐

5.3.3 样本内的聚类图构建

5.3.4 聚类损失与联合优化

5.4 实验验证与分析

5.4.1 数据集与评估指标

5.4.2 实验设置

5.4.3 方法对比分析

5.4.4 可视化分析

5.4.5 消融实验分析

5.5 本章小结

参考文献

第6 章语义增强分布对齐迁移

6.1 复杂偏移与偏见传播挑战

6.1.1 复杂特征偏移挑战

6.1.2 少量标注的偏见传播

6.1.3 现有方法的局限性与优化

6.2 跨域特征的统计学表征

6.2.1 特征分布的统计量建模

6.2.2 教师－学生网络动态估计

6.2.3 域不变语义与对齐目标

6.3 可迁移语义增强框架

6.3.1 记忆增强的网络架构

6.3.2 可迁移语义增强模块

6.3.3 隐式语义增强机制

6.4 损失函数推导与优化

6.4.1 期望交叉熵损失的建立

6.4.2 损失上界：Jensen 不等式近似

6.4.3 多损失协同优化策略

6.5 实验验证与分析

6.5.1 实验设置与数据集

6.5.2 方法对比分析

6.5.3 特征分布与分割可视化

6.5.4 消融实验与参数敏感性

6.6 本章小结

参考文献

第三部分鲁棒知识整合

第7 章跨模态数据整合迁移

7.1 跨模态数据整合的核心挑战

7.1.1 跨模态数据的核心特征

7.1.2 跨模态表示整合形式化

7.1.3 异质性挑战

7.2 跨模态整合优化策略

7.2.1 跨模态数据整合思路

7.2.2 跨模态整合方法框架

7.2.3 核约束的损失函数增强

7.2.4 可选损失函数增强

7.2.5 不同模态迁移融合应用

7.3 实验验证与分析

7.3.1 实验设置与数据集

7.3.2 方法对比分析

7.3.3 消融实验与参数敏感性

7.3.4 可视化分析

7.4 本章小结

参考文献

第8 章跨任务特征重用迁移

8.1 跨任务特征重用的核心挑战

8.1.1 多样性引发动态偏移

8.1.2 跨模态的语义鸿沟

8.1.3 确定性映射的盲目性

8.1.4 固定图结构语义丢失

8.2 证据深度学习理论

8.2.1 确定性神经模型的局限

8.2.2 主观逻辑理论与证据框架

8.2.3 狄利克雷分布建模概率

8.2.4 贝叶斯风险与鲁棒损失

8.3 证据引导的语义对齐框架

8.3.1 EGSA 架构设计

8.3.2 多损失协同优化

8.4 实验验证与分析

8.4.1 实验设置与评价指标

8.4.2 人类淋巴结数据集实验

8.4.3 小鼠大脑数据集实验

8.4.4 消融实验分析

8.5 本章小结

参考文献

第9 章跨域标签传递迁移

9.1 标签传递算法的挑战

9.2 标签传递任务的形式化

9.2.1 相似图与拉普拉斯矩阵

9.2.2 能量*小化形式

9.2.3 软标签不确定性与熵

9.3 熵启发的范数正则化

9.4 标签整合与模型优化

9.4.1 正则化标签传递

9.4.2 模型训练损失

9.4.3 端到端迭代流程

9.5 实验验证与分析

9.5.1 实验设置

9.5.2 方法对比分析

9.5.3 参数敏感性分析

9.6 本章小结

参考文献

第四部分复杂场景迁移

第10 章长尾分布下的通用表征学习

10.1 数据表征学习的核心挑战

10.2 概率引导的对比学习框架

10.2.1 基于vMF 分布的特征建模

10.2.2 虚拟对比对生成

10.2.3 多损失协同优化

10.2.4 分布参数在线估计

10.3 实验验证与分析

10.3.1 方法对比分析

10.3.2 定性可视化验证

10.3.3 收敛分析与参数敏感性

10.4 本章小结

参考文献

第11 章噪声干扰下的鲁棒数据迁移

11.1 鲁棒数据迁移的核心挑战

11.1.1 复杂低质量数据特征

11.1.2 噪声与偏移的耦合挑战

11.1.3 鲁棒数据迁移的形式化

11.2 抗噪声的鲁棒迁移方法

11.2.1 概率傅里叶数据增强

11.2.2 抗噪声的特征迁移框架

11.2.3 超球面空间的特征约束

11.2.4 损失函数联合优化

11.2.5 应用中的噪声适应

11.3 实验验证与分析

11.3.1 实验设置与数据集

11.3.2 方法对比分析

11.3.3 消融实验与参数敏感性

11.4 本章小结

参考文献

第12 章批次效应下稀有类保护

12.1 批次效应的定义与挑战

12.2 批次效应建模与标准化

12.2.1 批次效应模型

12.2.2 批次效应模型标准化

12.2.3 组成型数据的标准化

12.3 批次校正与表示对齐

12.3.1 基于统计的批次校正

12.3.2 基于构造的批次对齐

12.3.3 基于学习的对齐

12.4 批次效应下稀有类保护

12.4.1 隐式语义数据增强

12.4.2 多损失协同优化

12.5 实验验证与分析

12.5.1 评估指标设置

12.5.2 数据集与任务设置

12.5.3 方法对比分析

12.5.4 消融实验与参数敏感性

12.6 本章小结

参考文献

第13 章去相关增强的测试时适应

13.1 测试时适应的核心挑战

13.1.1 时间序列中的域适应

13.1.2 现有去相关方法的不足

13.2 去相关技术理论分析

13.2.1 训练中的尺度缩减

13.2.2 多次迭代的数值不稳定

13.2.3 域偏移下特征空间扭曲

13.3 去相关增强模型

13.3.1 预归一化缩放策略

13.3.2 池化增强去相关

13.3.3 模型层放置策略

13.4 实验验证与分析

13.4.1 实验设置与数据集

13.4.2 方法对比分析

13.4.3 消融实验分析

13.5 本章小结

参考文献

第14 章时空图结构迁移

14.1 图结构迁移的挑战

14.1.1 时空图结构定义

14.1.2 时空克里格任务定义

14.1.3 图结构迁移任务挑战

14.2 DKM-GA 时空图结构迁移框架

14.2.1 基于扩散模型的框架

14.2.2 图增强注意力机制

14.2.3 基于节点的缩放策略

14.3 实验验证与分析

14.3.1 实验设置与数据集

14.3.2 方法对比分析

14.3.3 特殊场景对比

14.3.4 消融实验与可视化

14.4 本章小结

参考文献
配送说明

...
相似商品
为你推荐