特征学习是数据分析和挖掘的关键环节，其目的是通过学习数据的特征，为分类和预测提供支持。深度计算模型通过将深度学习模型从向量空间扩展到张量空间，利用张量表示各类异构数据在异构数据特征学习方面取得了巨大的进展。然而，深度计算模型容易产生过度拟合，使其分类准确率受到影响。此外，深度计算模型没有考虑到异构数据在不同子空间的相互影响，降低其分类正确率。本书针对深度计算模型在异构数据特征学习方面存在的不足展开研究，主要研究工作包括以下几个方面：其一，基于自适应Dropout的深度计算模型。其二，基于众包的深度计算模型。其三，基于子空间映射的深度计算模型。其四，基于深度计算模型的高阶CFS（Clustering by Fast Search and Find of Density Peaks）聚类算法。

卜范玉，男，1981年生，内蒙古人，毕业于大连理工大学计算机应用技术专业。博士研究生。现任内蒙古财经大学计算机信息管理学院副教授、内蒙古经济数据分析与挖掘重点实验室“分布式并行计算技术”方向负责人，研究方向为物联网与大数据技术。

第一章 绪论
第一节 研究背景
第二节 国内外相关研究进展
第三节 本书主要内容
第四节 本书的组织安排
第二章 基于自适应Dropout的深度计算模型
第一节 引言
第二节 问题描述
第三节 自适应分布函数
第四节 基于自适应Dropout的深度计算模型
第五节 自适应高阶反向传播算法
第六节 实验结果与分析
第七节 本章小结
第三章 基于众包的深度计算模型
第一节 引言
第二节 问题描述
第三节 答案整合算法相关工作
第四节 众包记录选择算法
第五节 答案整合算法
第六节 实验结果与分析
第七节 本章小结
第四章 基于子空间映射的深度计算模型
第一节 引言
第二节 问题描述
第三节 基于子空间映射的高阶自动编码机
第四节 子空间高阶反向传播算法
第五节 基于子空间映射的深度计算模型
第六节 实验结果与分析
第七节 本章小结
第五章 基于深度计算模型的高阶CFS聚类算法
第一节 引言
第二节 相关工作
第三节 算法整体框架
第四节 基于张量外积的特征融合
第五节 高阶CFS聚类算法
第六节 实验结果与分析
第七节 本章小结
第六章 结论与展望
第一节 本书工作总结
第二节 创新点总结
第三节 未来工作展望
参考文献