| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号表 | 第16-17页 |
| 1 绪论 | 第17-37页 |
| 1.1 研究背景与意义 | 第17-20页 |
| 1.2 偏标记学习框架的定义及应用 | 第20-22页 |
| 1.3 偏标记学习框架与其他学习框架间的对比 | 第22-26页 |
| 1.3.1 偏标记学习框架与其他弱监督学习框架的对比 | 第22-24页 |
| 1.3.2 偏标记学习框架与多标记学习框架的对比 | 第24-26页 |
| 1.4 相关问题和技术的研究现状 | 第26-33页 |
| 1.4.1 偏标记学习 | 第26-28页 |
| 1.4.2 高斯过程模型 | 第28-31页 |
| 1.4.3 度量学习 | 第31-33页 |
| 1.5 论文的主要工作与结构安排 | 第33-37页 |
| 2 基于度量学习的偏标记学习算法 | 第37-55页 |
| 2.1 引言 | 第37-38页 |
| 2.2 PL-GMML算法 | 第38-45页 |
| 2.2.1 模型构建 | 第39-41页 |
| 2.2.2 模型求解 | 第41-43页 |
| 2.2.3 目标函数第二项的权重设置 | 第43-44页 |
| 2.2.4 算法实现 | 第44-45页 |
| 2.3 仿真实验 | 第45-53页 |
| 2.3.1 实验设置 | 第45-47页 |
| 2.3.2 参数灵敏度分析 | 第47页 |
| 2.3.3 在UCI数据集上的实验结果 | 第47-49页 |
| 2.3.4 在真实偏标记数据集上的实验结果 | 第49页 |
| 2.3.5 基于t检验方法的实验结果分析 | 第49-53页 |
| 2.4 本章小结 | 第53-55页 |
| 3 基于最大值损失函数的偏标记学习算法 | 第55-81页 |
| 3.1 引言 | 第55页 |
| 3.2 基于Logistic回归模型的偏标记学习算法 | 第55-67页 |
| 3.2.1 模型建立 | 第55-60页 |
| 3.2.2 模型求解 | 第60-63页 |
| 3.2.3 仿真实验 | 第63-67页 |
| 3.3 基于高斯过程模型的偏标记学习算法 | 第67-79页 |
| 3.3.1 潜变量函数的先验概率 | 第68-69页 |
| 3.3.2 联合似然函数 | 第69-70页 |
| 3.3.3 潜变量函数的后验概率 | 第70-72页 |
| 3.3.4 预测 | 第72-73页 |
| 3.3.5 算法实现 | 第73-75页 |
| 3.3.6 仿真实验 | 第75-79页 |
| 3.4 本章小结 | 第79-81页 |
| 4 基于稀疏高斯过程模型的快速核偏标记学习算法 | 第81-105页 |
| 4.1 引言 | 第81页 |
| 4.2 基于ECOC技术与二分类变分高斯过程模型的快速核偏标记学习算法 | 第81-90页 |
| 4.2.1 算法的基本思想 | 第81-82页 |
| 4.2.2 基于ECOC技术的问题变换策略 | 第82页 |
| 4.2.3 类不平衡变分高斯过程二分类器 | 第82-86页 |
| 4.2.4 算法实现 | 第86-87页 |
| 4.2.5 仿真实验 | 第87-90页 |
| 4.3 基于最大值损失函数和多分类稀疏高斯过程模型的快速核偏标记学习算法 | 第90-103页 |
| 4.3.1 潜变量函数的先验概率 | 第91-92页 |
| 4.3.2 联合似然函数 | 第92页 |
| 4.3.3 潜变量函数的后验概率 | 第92-96页 |
| 4.3.4 预测 | 第96-97页 |
| 4.3.5 算法实现 | 第97-98页 |
| 4.3.6 仿真实验 | 第98-103页 |
| 4.4 本章小结 | 第103-105页 |
| 5 结论与展望 | 第105-109页 |
| 5.1 结论 | 第105-106页 |
| 5.2 创新点 | 第106页 |
| 5.3 展望 | 第106-109页 |
| 参考文献 | 第109-117页 |
| 攻读博士学位期间科研项目及科研成果 | 第117-119页 |
| 致谢 | 第119-121页 |
| 作者简介 | 第121-122页 |
