有监督的相似性度量学习研究与应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 注释表 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 度量学习研究现状 | 第14-18页 |
| 1.2.1 代表方法 | 第15-16页 |
| 1.2.2 进展研究 | 第16-17页 |
| 1.2.3 有待研究的问题 | 第17-18页 |
| 1.3 本文的主要研究工作 | 第18-19页 |
| 1.4 本文的内容安排 | 第19-21页 |
| 第二章 度量学习在最近邻分类上的间隔分布解释 | 第21-36页 |
| 2.1 引言 | 第21-22页 |
| 2.2 1-NN关于度量函数的间隔 | 第22-23页 |
| 2.3 理论分析 | 第23-26页 |
| 2.4 实验验证 | 第26-30页 |
| 2.5 直接优化间隔的度量学习方法 | 第30-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于支持向量方法的增量式度量学习 | 第36-55页 |
| 3.1 引言 | 第36-37页 |
| 3.2 相关工作 | 第37页 |
| 3.3 基于支持向量的增量度量学习算法 | 第37-47页 |
| 3.3.1 增量学习过程 | 第39-42页 |
| 3.3.2 SVIML的可行性和收敛性分析 | 第42-45页 |
| 3.3.3 度量的核化 | 第45-46页 |
| 3.3.4 Mahalanobis距离度量 | 第46-47页 |
| 3.4 实验分析 | 第47-53页 |
| 3.4.1 实验设置 | 第47-48页 |
| 3.4.2 实验结果及分析 | 第48-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 针对回归任务的核嵌入式的度量学习 | 第55-75页 |
| 4.1 引言 | 第55-56页 |
| 4.2 相关工作 | 第56-57页 |
| 4.3 针对支持向量回归机的度量学习 | 第57-61页 |
| 4.3.1 支持向量回归机 | 第57-58页 |
| 4.3.2 代价函数 | 第58页 |
| 4.3.3 优化算法 | 第58-61页 |
| 4.4 bagging-like集成度量学习 | 第61-65页 |
| 4.4.1 度量集成策略 | 第61-64页 |
| 4.4.2 度量集成算法 | 第64页 |
| 4.4.3 时间复杂度分析 | 第64-65页 |
| 4.5 实验分析 | 第65-74页 |
| 4.5.1 与相关方法的对比 | 第65-68页 |
| 4.5.2 基学习器的数量与集成策略对精度的影响 | 第68-69页 |
| 4.5.3 噪声特征对所学度量和预测性能的影响 | 第69-71页 |
| 4.5.4 机场噪声预测应用 | 第71-74页 |
| 4.6 本章小结 | 第74-75页 |
| 第五章 相似特征嵌入的相似度量学习 | 第75-95页 |
| 5.1 引言 | 第75-76页 |
| 5.2 基于相似性函数的学习理论 | 第76-78页 |
| 5.3 相似特征嵌入的相似度学习 | 第78-81页 |
| 5.3.1 稀疏特征学习Lasso | 第78-79页 |
| 5.3.2 相似度函数与Lasso的联合学习 | 第79-80页 |
| 5.3.3 优化算法 | 第80-81页 |
| 5.4 算法的泛化性能分析 | 第81-86页 |
| 5.5 实验分析 | 第86-93页 |
| 5.6 本章小结 | 第93-95页 |
| 第六章 总结与展望 | 第95-98页 |
| 6.1 研究工作总结 | 第95-96页 |
| 6.2 未来研究 | 第96-98页 |
| 参考文献 | 第98-108页 |
| 致谢 | 第108-109页 |
| 在学期间的研究成果及发表的学术论文 | 第109页 |
