摘要 | 第5-7页 |
abstract | 第7-8页 |
第1章 绪论 | 第11-19页 |
1.1 研究背景 | 第11-12页 |
1.2 国内外研究现状 | 第12-16页 |
1.3 有待研究的问题 | 第16-17页 |
1.4 本文的主要研究内容 | 第17-18页 |
1.5 本文的组织结构 | 第18-19页 |
第2章 相关知识介绍 | 第19-29页 |
2.1 贝叶斯方法 | 第19-20页 |
2.2 稀疏贝叶斯方法 | 第20-24页 |
2.3 近似推断方法 | 第24-28页 |
2.3.1 变分贝叶斯方法 | 第24-26页 |
2.3.2 拉普拉斯近似 | 第26-28页 |
2.4 本章小结 | 第28-29页 |
第3章 基于稀疏贝叶斯的半监督学习算法研究 | 第29-53页 |
3.1 引言 | 第29-31页 |
3.2 相关工作 | 第31-32页 |
3.3 基于稀疏贝叶斯的半监督学习算法 | 第32-41页 |
3.3.1 基于稀疏贝叶斯的半监督学习框架 | 第32-36页 |
3.3.2 基于最大化后验估计的稀疏贝叶斯半监督学习算法 | 第36-38页 |
3.3.3 基于全贝叶斯估计的稀疏贝叶斯半监督学习算法 | 第38-41页 |
3.3.4 预测样本标签 | 第41页 |
3.4 实验验证 | 第41-51页 |
3.4.1 人工数据集上的实验 | 第42-43页 |
3.4.2 基准数据集上的实验 | 第43-47页 |
3.4.3 UCI数据集上的实验 | 第47-51页 |
3.5 本章小结 | 第51-53页 |
第4章 基于稀疏贝叶斯的可扩展半监督学习算法 | 第53-75页 |
4.1 引言 | 第53-55页 |
4.2 相关工作 | 第55页 |
4.3 基于稀疏贝叶斯的可扩展半监督学习算法 | 第55-62页 |
4.3.1 基于拉普拉斯近似的稀疏贝叶斯半监督学习算法 | 第56-58页 |
4.3.2 增量稀疏贝叶斯半监督学习算法 | 第58-61页 |
4.3.3 复杂度分析 | 第61-62页 |
4.4 鲁棒性和泛化误差分析 | 第62-64页 |
4.5 实验验证 | 第64-73页 |
4.5.1 标准数据集上的实验 | 第64-66页 |
4.5.2 参数敏感性分析 | 第66-69页 |
4.5.3 中等规模和大规模数据集上的实验 | 第69-73页 |
4.5.4 可扩展性 | 第73页 |
4.6 本章小结 | 第73-75页 |
第5章 基于贝叶斯的联合半监督特征选择与分类算法 | 第75-95页 |
5.1 引言 | 第75-78页 |
5.2 相关工作 | 第78-79页 |
5.3 基于贝叶斯的联合半监督特征选择与分类算法 | 第79-87页 |
5.3.1 问题描述与分析 | 第79-80页 |
5.3.2 特征参数与无标签样本参数的先验 | 第80-82页 |
5.3.3 优化参数 | 第82-87页 |
5.4 实验验证 | 第87-93页 |
5.4.1 实验设置 | 第87-88页 |
5.4.2 算法对噪声特征和噪声无标签样本的鲁棒性 | 第88-89页 |
5.4.3 算法在高维数据集上的性能 | 第89-92页 |
5.4.4 算法的计算复杂度和收敛性分析 | 第92-93页 |
5.5 本章小结 | 第93-95页 |
第6章 总结与展望 | 第95-97页 |
参考文献 | 第97-106页 |
附录A 泛化误差边界中的证明 | 第106-107页 |
致谢 | 第107-108页 |
在读期间发表的学术论文与取得的研究成果 | 第108-109页 |