Graph embedding for pattern analysis

جاسازی نمودار برای تشخیص الگو، روش‌های تئوری، محاسبات و برنامه‌های کاربردی را پوشش می‌دهد که به طور گسترده در آمار، یادگیری ماشین، پردازش تصویر، و بینایی رایانه استفاده می‌شوند. این کتاب آخرین پیشرفت‌ها در تئوری‌های تعبیه گراف، مانند گراف منیفولد غیرخطی، روش خطی‌سازی، تحلیل زیرفضای گراف، گراف L1، گراف، گراف بدون جهت و گراف در فضاهای برداری را ارائه می‌کند. کاربردهای دنیای واقعی این نظریه‌ها به طور گسترده در کاهش ابعاد، یادگیری زیرفضا، یادگیری چندگانه، خوشه‌بندی، طبقه‌بندی و انتخاب ویژگی گسترده می‌شوند. گروهی منتخب از متخصصان در فصل‌های مختلف این کتاب مشارکت می‌کنند که چشم‌اندازی جامع از این حوزه ارائه می‌کند.

Graph Embedding for Pattern Recognition covers theory methods, computation, and applications widely used in statistics, machine learning, image processing, and computer vision. This book presents the latest advances in graph embedding theories, such as nonlinear manifold graph, linearization method, graph based subspace analysis, L1 graph, hypergraph, undirected graph, and graph in vector spaces. Real-world applications of these theories are spanned broadly in dimensionality reduction, subspace learning, manifold learning, clustering, classification, and feature selection. A selective group of experts contribute to different chapters of this book which provides a comprehensive perspective of this field.