演化数据的若干学习问题研究

演化数据上的学习是近年来机器学习和数据挖掘中出现的一个新的研究课题，它考虑数据分布随时间的变化这一情况，是实际应用中普遍存在的学习问题。本项目将针对演化数据上的学习的若干理论、方法和应用问题进行探讨。我们将从三个方面对理论和方法的问题展开研究，它们是演化数据上的聚类和半监督学习、演化数据上的主动学习，和演化数据上的在线学习。同时，我们将搭建一个实验性系统，对BBS、新闻文本分析等具体应用问题进行应用研究。这些理论、方法和应用问题的研究将在理论和方法上丰富和拓展机器学习理论和方法。同时，该项目的研究也有着广阔的应用需求，将产生很大的应用效益。

演化数据学习是机器学习领域中一个新的、具有挑战性、具有重要理论意义和实用价值，具有广阔应用前景的研究问题。我们针对这个问题进行了一系列兼顾了深度和广度的研究，并取得了较大的进展。..首先我们研究了演化数据的基本理论和框架，提出并改进了数种优化算法，其中包括求解置信域步长的多阶段共轭梯度法、求解正则最小二乘问题的对偶投影牛顿法、基于欧式投影问题的分片线性寻根（PRF）算法、求解非负矩阵分解的有效投影牛顿法、基于李普希茨梯度稀疏正则的高维推断、求解非凸正则优化问题的迭代收缩算法和正则化Boosting 2011方法。..然后我们在演化数据学习的各个领域都有所建树，包括演化数据上的半监督学习、迁移学习、主动学习、多任务、交叉特征学习、在线学习、核学习等。.最后，我们进行了知识梳理和总结，并在一些实际应用领域探索了成果转化的可能性。我们提出了用于矩阵数据分类的多阶多线性支持向量机并进行了实验证明其有效性，我们提出的层次交互模型可以用于预测轻度认知患者是否可能转换为阿尔兹海默症。.我们按照计划完成了研究任务，并且在国际一流的期刊和会议上发表了19篇文章，这些文章绝大部分被SCI和EI检索，超额完成了我们的预期目标。同时，项目在研期间资助了一大批研究生完成学业，有力地支持了国内外学术交流。