| 致谢 | 第1-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-13页 |
| 目次 | 第13-16页 |
| 第1章 绪论 | 第16-24页 |
| ·计算机辅助诊断概述 | 第16-18页 |
| ·数据挖掘概述 | 第18-21页 |
| ·问题定义 | 第19-20页 |
| ·挑战 | 第20-21页 |
| ·CAD中存在的学习问题 | 第21-22页 |
| ·论文的组织结构 | 第22-24页 |
| 第2章 相关研究现状 | 第24-47页 |
| ·非平衡数据集 | 第24-25页 |
| ·非平衡学习性能评价 | 第25-29页 |
| ·经典的评测方法 | 第26-27页 |
| ·F-measure、G-Means与MCC | 第27-28页 |
| ·AUC-ROC/AUC-PR | 第28-29页 |
| ·非平衡学习技术 | 第29-36页 |
| ·基于重采样的非平衡技术 | 第30-32页 |
| ·集成学习技术 | 第32-35页 |
| ·代价敏感学习 | 第35页 |
| ·基于核的非平衡学习技术 | 第35-36页 |
| ·小样本学习技术 | 第36-38页 |
| ·基于聚类假设的半监督学习 | 第36-37页 |
| ·基于流形假设的半监督学习 | 第37页 |
| ·基于协同学习(Co-training)的半监督学习 | 第37-38页 |
| ·支持向量机 | 第38-46页 |
| ·SVM的基本原理与结构 | 第39-45页 |
| ·SVM的多类分类模型 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第3章 基于几何、概率、语义的混合样本标记技术 | 第47-68页 |
| ·研究背景 | 第48-52页 |
| ·符号定义 | 第48-49页 |
| ·半监督学习的研究现状 | 第49-52页 |
| ·混合类别标记技术 | 第52-63页 |
| ·基于几何聚类的标记技术 | 第53-55页 |
| ·基于概率模型的标记技术 | 第55-61页 |
| ·基于语义概念的标记技术 | 第61-63页 |
| ·算法的具体实现 | 第63-64页 |
| ·实验结果与分析 | 第64-66页 |
| ·本章小结 | 第66-68页 |
| 第4章 基于凸壳的欠采样技术 | 第68-85页 |
| ·凸壳的基本概念 | 第69-71页 |
| ·HRCH定义与HSVMEnsemble算法 | 第71-78页 |
| ·HRCH定义 | 第71-73页 |
| ·HSVMEnsemble算法 | 第73-78页 |
| ·实验结果与分析 | 第78-83页 |
| ·实验设计的总体描述 | 第78-79页 |
| ·数据集的描述 | 第79-80页 |
| ·实验分析 | 第80-83页 |
| ·本章小结 | 第83-85页 |
| 第5章 基于反向最近邻的欠采样方法 | 第85-98页 |
| ·影响集合 | 第85-87页 |
| ·反向最近邻的基本概念 | 第87-89页 |
| ·反向最近邻的数学表达 | 第89-90页 |
| ·基于反向最近邻的欠采样技术 | 第90-93页 |
| ·算法基本思想 | 第91-92页 |
| ·算法的具体实现 | 第92-93页 |
| ·实验结果与分析 | 第93-97页 |
| ·本章小结 | 第97-98页 |
| 第6章 总结与展望 | 第98-101页 |
| ·论文工作总结 | 第98-99页 |
| ·未来工作展望 | 第99-101页 |
| 参考文献 | 第101-111页 |
| 附录 读博士学位期间的主要研究成果 | 第111页 |