局部学习方法及其应用研究

对数据进行建模是机器学习中的核心问题。本项目拟研究基于局部学习的机器学习建模方法和算法理论。项目基于"学习从局部数据开始"的研究方法，研究基于局部训练的判别分析和基于局部可分的距离度量学习，提高算法对复杂数据分布情形的适应能力；研究基于局部平移学习的流形学习，充分利用数据库中蕴含的知识提高流形学习算法的鲁棒性；研究基于局部样条映射的图上的半监督学习方法，提出精度高、参数少、便于实际应用的算法。此外，项目还将分析局部学习建模中的相关理论，针对传统算法中的不足，拓展建模方法，推动模式分析方法的发展。.对本项目提出的算法，将用于在医学图像处理、数字多媒体、计算机图形学等领域有着广泛应用的交互式图像分割。为此，项目将开发一个交互式图像分割实验平台，在此平台上验证、分析和应用项目提出的学习算法，提高图像分割的精度和速度，进而促进学习算法的应用研究。

对数据进行建模是机器学习中的核心问题。本项目研究基于局部学习的机器学习建模方法和算法理论。项目基于“学习从局部数据开始”的研究方法，研究基于局部训练的判别分析、距离度量学习、流形学习和半监督分类方法。自项目开展以来，项目组按照研究目标、研究内容、研究计划部署和预期研究结果目标要求，对拟解决的关键科学问题进行了深入分析，并提出了相应的解决方法。在项目执行过程中，对各项研究内容所涉及的局部学习方法，不仅给出了相应的理论分析，也给出了完整的算法流程，并对算法的性能进行了实验验证。项目的执行情况良好，并因此获得了很好的研究成果。.取得的重要成果如下：(1) 提出了基于局部训练的判别分析方法，利用数据的多层次结构提高了算法的全局判别能力；(2) 提出了基于局部欧氏距离度量的回归映射，实现了一种局部和全局保持的距离度量学习方法，提高了算法对复杂数据分布的适应能力；(3) 分析了LLE和LTSA这两个著名的流形学习方法之间的联系，提出了基于局部多中心点平移的流形学习方法，利用数据所蕴含的知识提高了算法的鲁棒性；(4) 提出了基于局部样条映射的半监督学习方法，并设计出精度高、参数少、易于应用的算法。此外，通过将本项目提出的算法用于交互式自然图像分割，提高了视觉目标分割的精度和速度。总之，针对传统算法中的不足，项目通过分析局部学习建模中的相关理论，提出了一系列新的局部学习方法，丰富了机器学习的建模手段，具有重要的理论意义和实际应用价值。. 在项目执行期间内，项目组共发表了19篇学术论文。相关研究成果已发表于IEEE T-PAMI (2篇)、IEEE T-IP (1篇)、TSMC-B (1篇)、IEEE T-MM (1篇)、Pattern Recognition (2篇)等本领域国际顶级杂志以及AAAI、ACCV、ICIP、ICASSP等本领域国际知名会议上。