Similarity-Based Pattern Analysis and Recognition

این متن/مرجع قابل دسترسی، نمای کلی منسجمی از حوزه نوظهور یادگیری تشابه غیراقلیدسی را ارائه می دهد. این کتاب طیف گسترده‌ای از دیدگاه‌ها را در مورد روش‌های تشخیص و تحلیل الگوی مبتنی بر شباهت، از چالش‌های صرفا نظری تا کاربردهای عملی و دنیای واقعی، ارائه می‌کند. این پوشش شامل الگوهای یادگیری تحت نظارت و بدون نظارت و همچنین مدل های مولد و افتراقی است. موضوعات و ویژگی‌ها: منشأ و علل اندازه‌گیری‌های غیراقلیدسی (عدم شباهت) و چگونگی تأثیر آنها بر عملکرد الگوریتم‌های طبقه‌بندی سنتی را بررسی می‌کند. معیارهای تشابه را برای داده‌های غیربردار، با در نظر گرفتن هر دو رویکرد «تناسب هسته» و استراتژی برای یادگیری شباهت‌ها به طور مستقیم از داده‌های آموزشی بررسی می‌کند. روش‌های مختلفی را برای تعبیه‌های «حفظ ساختار» از داده‌های ساخت‌یافته توضیح می‌دهد. مسائل مربوط به تشخیص الگوی کلاسیک را از دیدگاه صرفاً نظری بازی فرموله می کند. دو کاربرد تصویربرداری زیست پزشکی در مقیاس بزرگ را بررسی می کند.

This accessible text/reference presents a coherent overview of the emerging field of non-Euclidean similarity learning. The book presents a broad range of perspectives on similarity-based pattern analysis and recognition methods, from purely theoretical challenges to practical, real-world applications. The coverage includes both supervised and unsupervised learning paradigms, as well as generative and discriminative models. Topics and features: explores the origination and causes of non-Euclidean (dis)similarity measures, and how they influence the performance of traditional classification algorithms; reviews similarity measures for non-vectorial data, considering both a “kernel tailoring” approach and a strategy for learning similarities directly from training data; describes various methods for “structure-preserving” embeddings of structured data; formulates classical pattern recognition problems from a purely game-theoretic perspective; examines two large-scale biomedical imaging applications.