| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 学习理论 | 第9-10页 |
| 1.2 统计学习理论的基本框架 | 第10-13页 |
| 第二章 正则化核回归学习 | 第13-20页 |
| 2.1 再生核Hilbert空间 | 第13-15页 |
| 2.2 正则化核回归学习算法 | 第15-20页 |
| 2.2.1 正则化算法 | 第15-17页 |
| 2.2.2 正则化最小二乘算法 | 第17-18页 |
| 2.2.3 系数正则化算法 | 第18-20页 |
| 第三章 基于非同分布抽样回归学习算法的一致性分析 | 第20-43页 |
| 3.1 基于弱相关抽样的回归学习算法 | 第20-23页 |
| 3.2 基于非同分布抽样的回归学习算法 | 第23-29页 |
| 3.2.1 强混合条件 | 第23-25页 |
| 3.2.2 基于非同分布抽样最小二乘正则化回归学习算法 | 第25-26页 |
| 3.2.3 基于非同分布抽样系数正则化回归学习算法 | 第26-29页 |
| 3.3 非同分布抽样条件 | 第29-30页 |
| 3.4 非同分布抽样正则化学习算法 | 第30-38页 |
| 3.4.1 基本假设 | 第30-31页 |
| 3.4.2 误差分解 | 第31-33页 |
| 3.4.3 假设误差和样本误差 | 第33-36页 |
| 3.4.4 误差界和学习速率 | 第36-38页 |
| 3.5 非同分布抽样系数正则化算法 | 第38-43页 |
| 3.5.1 假设误差和样本误差 | 第39-42页 |
| 3.5.2 误差界和学习速率 | 第42-43页 |
| 第四章 分位点学习 | 第43-48页 |
| 4.1 研究现状 | 第43-44页 |
| 4.2 基于ε-不敏感弹球损失的分位点学习算法 | 第44-48页 |
| 第五章 结论与展望 | 第48-49页 |
| 5.1 总结与创新点 | 第48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-55页 |
| 致谢 | 第55-56页 |
| 附录 | 第56-57页 |