MARC

 008260126s2025        us                              c    eng  d
■001000017358103
■00520260202103644
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314874578
■035    ▼a(MiAaPQ)AAI32092594
■035    ▼a(MiAaPQ)umichrackham006103
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aLiang,  Geyu.
■24510▼aEfficient  Sparse  Representation  Learning  With  Applications  in  Personalized  and  Explainable  AI
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a143  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Fattahi,  Salar.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aSparse  representation  learning  plays  a  crucial  role  in  modern  machine  learning  and  signal  processing,  offering  a  powerful  framework  for  extracting  structured  and  interpretable  representations  from  high-dimensional  data.  This  thesis  explores  key  theoretical  and  practical  advancements  in  sparse  representation  learning,  focusing  on  efficient  dictionary  learning  algorithms,  their  personalized  counterparts  for  heterogeneous  data,  and  the  role  of  sparse  codes  in  demonstrating  model  interpretability.  A  central  challenge  in  sparse  representation  learning  is  the  trade-off  between  efficiency,  scalability,  and  theoretical  guarantees.  This  thesis  develops  provable  and  computationally  efficient  methods  for  learning  structured  dictionaries,  addressing  fundamental  issues  in  scalability  and  performance.  By  leveraging  novel  optimization  techniques,  it  introduces  algorithms  that  not  only  recover  underlying  sparse  structures  with  theoretical  guarantees  but  also  scale  effectively  to  large  datasets  and  streaming  settings.  Beyond  efficiency,  this  thesis  extends  sparse  representation  learning  to  personalized  settings,  where  data  exhibits  both  shared  and  unique  structures.  A  new  framework  is  introduced  to  disentangle  these  components,  enabling  more  adaptive  and  robust  representations  across  diverse  datasets.  This  approach  has  broad  implications,  from  improving  generalization  in  imbalanced  learning  scenarios  to  enhancing  multi-source  data  analysis.  Finally,  this  work  explores  the  intersection  of  sparse  representations  and  explainable  AI,  addressing  the  long-standing  challenge  of  balancing  interpretability  and  predictive  performance.  By  refining  concept  representations  in  structured  ways,  this  thesis  demonstrates  how  sparse  codes  can  be  leveraged  to  enhance  both  accuracy  and  transparency  in  machine  learning  models.  The  proposed  methods  achieve  state-of-the-art  performance  in  interpretable  learning  tasks  while  maintaining  computational  efficiency.  Together,  these  contributions  advance  the  theoretical  foundations  and  practical  applications  of  sparse  representation  learning.  By  bridging  efficiency,  personalization,  and  interpretability,  this  thesis  provides  new  insights  and  methodologies  that  extend  the  impact  of  sparse  learning  across  a  wide  range  of  domains,  from  signal  processing  to  explainable  machine  learning.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aElectrical  engineering
■653    ▼aMachine  learning
■653    ▼aDictionary  learning
■653    ▼aSparse  representation  learning
■653    ▼aApplications
■653    ▼aSignal  processing
■690    ▼a0984
■690    ▼a0544
■690    ▼a0796
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bIndustrial  &  Operations  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358103▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books