协同训练算法及其在分类中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 协同训练算法 | 第10-14页 |
| 1.2.1 标准协同训练算法 | 第10-12页 |
| 1.2.2 协同训练算法理论分析 | 第12页 |
| 1.2.3 协同训练算法研究现状 | 第12-13页 |
| 1.2.4 协同训练算法存在的问题 | 第13-14页 |
| 1.3 本文工作及结构安排 | 第14-16页 |
| 第2章 相关概念及理论 | 第16-27页 |
| 2.1 半监督学习 | 第16-18页 |
| 2.1.1 半监督学习框架 | 第16-17页 |
| 2.1.2 半监督学习常用假设 | 第17-18页 |
| 2.2 多视角学习 | 第18-20页 |
| 2.2.1 多视角数据 | 第18-19页 |
| 2.2.2 多视角学习原则 | 第19-20页 |
| 2.3 流形学习 | 第20-26页 |
| 2.3.1 等距映射（Isomap） | 第21-22页 |
| 2.3.2 局部线性嵌入(LLE) | 第22-24页 |
| 2.3.3 拉普拉斯特征映射（LE） | 第24-25页 |
| 2.3.4 Hessian特征映射（HLLE） | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于Hessian正则化的协同训练算法 | 第27-41页 |
| 3.1 引言 | 第27-28页 |
| 3.2 Hessian正则化分析 | 第28-31页 |
| 3.2.1 Hessian正则化 | 第28-29页 |
| 3.2.2 Hessian正则化的支持向量机 | 第29-30页 |
| 3.2.3 HesSVM优化求解 | 第30-31页 |
| 3.3 基于Hessian正则化的协同训练算法 | 第31-32页 |
| 3.3.1 算法描述 | 第31-32页 |
| 3.3.2 复杂度分析 | 第32页 |
| 3.4 实验结果与分析 | 第32-39页 |
| 3.4.1 实验设置 | 第32-33页 |
| 3.4.2 社交场景识别实验 | 第33-34页 |
| 3.4.3 实验结果分析 | 第34-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 协同训练算法框架 | 第41-53页 |
| 4.1 引言 | 第41-42页 |
| 4.2 协同训练算法的相关工作 | 第42-44页 |
| 4.2.1 多视角的协同训练 | 第42-43页 |
| 4.2.2 多分类器的协同训练 | 第43页 |
| 4.2.3 多流形正则的协同训练 | 第43-44页 |
| 4.3 协同训练算法框架 | 第44-45页 |
| 4.4 实验及结果分析 | 第45-52页 |
| 4.4.1 实验设置 | 第46页 |
| 4.4.2 多视角的协同训练实验 | 第46-49页 |
| 4.4.3 多分类器的协同训练实验 | 第49-51页 |
| 4.4.4 多流形正则的协同训练实验 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于密度峰值的协同谱聚类 | 第53-62页 |
| 5.1 引言 | 第53-54页 |
| 5.2 谱聚类 | 第54页 |
| 5.3 密度峰值聚类算法 | 第54-57页 |
| 5.4 密度峰值谱聚类算法 | 第57页 |
| 5.5 协同密度峰值谱聚类算法 | 第57-58页 |
| 5.6 实验分析 | 第58-61页 |
| 5.6.1 数据集介绍 | 第59页 |
| 5.6.2 实验设置 | 第59页 |
| 5.6.3 实验结果及分析 | 第59-61页 |
| 5.7 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间取得的学术成果 | 第70-71页 |
| 致谢 | 第71页 |
