| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 目录 | 第9-12页 |
| Contents | 第12-15页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状及分析 | 第16-21页 |
| 1.2.1 高维数据分类方法 | 第16-18页 |
| 1.2.2 转移学习方法和多任务学习 | 第18-19页 |
| 1.2.3 多类标分类方法 | 第19-20页 |
| 1.2.4 多实例多类标分类方法 | 第20-21页 |
| 1.3 研究工作及创新 | 第21-23页 |
| 1.3.1 主要研究内容 | 第21-22页 |
| 1.3.2 主要研究成果与创新 | 第22-23页 |
| 1.4 论文组织结构 | 第23-25页 |
| 第2章 基于分层抽样的随机森林分类算法 | 第25-68页 |
| 2.1 研究问题与动机 | 第25-26页 |
| 2.2 随机森林算法与误差界理论 | 第26-27页 |
| 2.3 分层抽样随机森林分类算法:SRF | 第27-45页 |
| 2.3.1 高维数据的子空间选择问题 | 第27-28页 |
| 2.3.2 分层抽样的子空间选择与子空间多样性 | 第28-29页 |
| 2.3.3 分层抽样随机森林算法与复杂度分析 | 第29-31页 |
| 2.3.4 实验结果及分析 | 第31-45页 |
| 2.4 基于分层抽样随机森林的文本数据分类算法:Forestexter | 第45-54页 |
| 2.4.1 ForesTexter算法 | 第47-51页 |
| 2.4.2 实验结果与分析 | 第51-54页 |
| 2.5 基于分层抽样随机森林的全基因组数据分析算法:GWA-SRF | 第54-62页 |
| 2.5.1 GW-SRF算法 | 第56-59页 |
| 2.5.2 实验结果及分析 | 第59-62页 |
| 2.6 小结 | 第62-68页 |
| 第3章 基于联合马尔可夫链的多领域转移学习算法 | 第68-88页 |
| 3.1 研究问题与动机 | 第68-69页 |
| 3.2 基于联合马尔科夫链的多领域转移学习算法:MT-Learn | 第69-77页 |
| 3.2.1 领域内关系和领域间关系分析 | 第71-72页 |
| 3.2.2 联合马尔可夫链模型 | 第72-74页 |
| 3.2.3 基于联合马尔可夫链模型的多领域转移学习算法 | 第74-77页 |
| 3.3 实验结果及分析 | 第77-87页 |
| 3.3.1 实验数据及实验设置 | 第77-79页 |
| 3.3.2 实验结果与分析 | 第79-87页 |
| 3.4 小结 | 第87-88页 |
| 第4章 基于层次分类树的多类标分类算法 | 第88-115页 |
| 4.1 研究问题与动机 | 第88-89页 |
| 4.2 基于层次树模型的多类标分类算法:ML-Tree | 第89-95页 |
| 4.2.1 层次树模型 | 第89-91页 |
| 4.2.2 层次树多类标分类算法 | 第91-94页 |
| 4.2.3 层次分类树中CPV和PLV要素分析 | 第94-95页 |
| 4.3 实验结果及分析 | 第95-114页 |
| 4.3.1 实验数据及实验设置 | 第95-114页 |
| 4.4 小结 | 第114-115页 |
| 第5章 基于马尔可夫链的多实例多类标分类算法 | 第115-136页 |
| 5.1 研究问题与动机 | 第115-117页 |
| 5.2 基于马尔可夫链的多实例多类标分类算法:Markov-MIML | 第117-123页 |
| 5.2.1 MIML数据中对象与实例间关系 | 第119-120页 |
| 5.2.2 多实例多类标马尔可夫链模型 | 第120-123页 |
| 5.3 实验结果及分析 | 第123-135页 |
| 5.3.1 实验数据及实验设置 | 第123-125页 |
| 5.3.2 实验结果与分析 | 第125-135页 |
| 5.4 小结 | 第135-136页 |
| 结论 | 第136-139页 |
| 参考文献 | 第139-153页 |
| 攻读博士学位期间发表的论文及其他成果 | 第153-157页 |
| 致谢 | 第157-158页 |
| 个人简历 | 第158页 |
