| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究工作的背景与意义 | 第14-15页 |
| 1.2 半监督学习的国内外研究历史与现状 | 第15-16页 |
| 1.3 当前研究的缺陷 | 第16-18页 |
| 1.3.1 基于图的方法 | 第16-18页 |
| 1.3.2 多视角学习 | 第18页 |
| 1.4 拟解决的问题和主要贡献 | 第18-19页 |
| 1.5 本论文的结构安排 | 第19-21页 |
| 第二章 半监督学习分类法 | 第21-28页 |
| 2.1 无标记数据的重要性 | 第21页 |
| 2.2 基于生成模型的半监督学习 | 第21-22页 |
| 2.3 自我学习 | 第22-23页 |
| 2.4 传导支持向量机 | 第23-24页 |
| 2.5 基于图的半监督学习 | 第24-25页 |
| 2.6 多视角学习和协同训练 | 第25-27页 |
| 2.6.1 协同训练 | 第26页 |
| 2.6.2 多视角学习 | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第三章 基于固定点连续算法的半监督多标签学习 | 第28-47页 |
| 3.1 多标签学习 | 第28-29页 |
| 3.2 多标签学习的研究现状 | 第29-30页 |
| 3.3 基于流形假设的半监督多标签学习 | 第30-35页 |
| 3.3.1 基于矩阵补全的多标签学习 | 第30-32页 |
| 3.3.2 基于流形假设的半监督多标签学习 | 第32-34页 |
| 3.3.3 用固定点算法求解 | 第34-35页 |
| 3.4 多标签学习性能评价指标 | 第35-38页 |
| 3.4.1 海明损失 | 第37页 |
| 3.4.2 覆盖 | 第37页 |
| 3.4.3 平均精度 | 第37-38页 |
| 3.5 实验 | 第38-46页 |
| 3.5.1 MCLA在模拟数据集上的测试 | 第38-41页 |
| 3.5.2 MCLA在MIML数据集上的测试 | 第41-42页 |
| 3.5.3 MCLA在Bird数据集上的测试 | 第42-43页 |
| 3.5.4 MCLA在Yeast数据集上的测试 | 第43-44页 |
| 3.5.5 MCLA在Mediamill数据集上的测试 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于ADMM的半监督多标签学习 | 第47-70页 |
| 4.1 交替方向乘子法 | 第47-48页 |
| 4.2 基于ADMM的流形矩阵补全 | 第48-49页 |
| 4.3 ADMM求解流形矩阵补全问题 | 第49-55页 |
| 4.3.1 截断定理 | 第49页 |
| 4.3.2 增广拉格朗日形式 | 第49-50页 |
| 4.3.3 更新矩阵Z | 第50-51页 |
| 4.3.4 更新矩阵R | 第51-53页 |
| 4.3.5 更新乘子变量 Λ | 第53-54页 |
| 4.3.6 在未来数据上的预测 | 第54-55页 |
| 4.4 复杂度分析 | 第55页 |
| 4.5 实验 | 第55-69页 |
| 4.5.1 模拟数据 | 第55-57页 |
| 4.5.2 LA-ADMM在MIML数据集上的测试 | 第57-59页 |
| 4.5.3 LA-ADMM在Bird数据集上的测试 | 第59-60页 |
| 4.5.4 LA-ADMM在Yeast数据集上的测试 | 第60-62页 |
| 4.5.5 LA-ADMM在Mediamill数据集上的测试 | 第62-64页 |
| 4.5.6 对流形正则项的评估 | 第64-66页 |
| 4.5.7 参数选择 | 第66-68页 |
| 4.5.8 运算时间对比 | 第68-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第五章 半监督多图多核学习 | 第70-88页 |
| 5.1 背景介绍 | 第70-71页 |
| 5.2 模型的动机 | 第71-72页 |
| 5.3 半监督多核学习介绍 | 第72-76页 |
| 5.3.1 新的再生核希尔伯特空间 | 第72-74页 |
| 5.3.2 核的嵌入 | 第74-76页 |
| 5.4 基于图的多核学习算法 | 第76-80页 |
| 5.4.1 图的构建 | 第76-77页 |
| 5.4.2 半监督多核学习 | 第77-79页 |
| 5.4.3 多图多核学习 | 第79-80页 |
| 5.4.4 大规模数据集上计算 | 第80页 |
| 5.5 优化过程 | 第80-82页 |
| 5.6 实验 | 第82-87页 |
| 5.6.1 Nystr?m采样 | 第82-83页 |
| 5.6.2 USPS数据集 | 第83-85页 |
| 5.6.3 MNIST数据集 | 第85页 |
| 5.6.4 Breast数据集 | 第85-86页 |
| 5.6.5 dna数据集 | 第86-87页 |
| 5.7 本章小节 | 第87-88页 |
| 第六章 基于共享语义的多任务多视角学习 | 第88-108页 |
| 6.1 背景介绍 | 第88-89页 |
| 6.1.1 多任务学习 | 第88-89页 |
| 6.1.2 多视角学习 | 第89页 |
| 6.2 模型的动机 | 第89-91页 |
| 6.3 基于共享语义的多任务多视角学习 | 第91-97页 |
| 6.3.1 数据矩阵X的生成 | 第92-93页 |
| 6.3.2 标签矩阵F的生成 | 第93-95页 |
| 6.3.3 联合分布 | 第95-96页 |
| 6.3.4 后验正则化 | 第96-97页 |
| 6.4 模型推断 | 第97-100页 |
| 6.4.1 E-步 | 第97-99页 |
| 6.4.2 M-步 | 第99-100页 |
| 6.5 实验 | 第100-107页 |
| 6.5.1 模拟数据集上的测试 | 第100-102页 |
| 6.5.1.1 模拟多分类数据集 | 第100-101页 |
| 6.5.1.2 模拟多标签数据集 | 第101-102页 |
| 6.5.2 真实数据集 | 第102-107页 |
| 6.5.2.1 多标签问题 | 第103-104页 |
| 6.5.2.2 多分类数据 | 第104-105页 |
| 6.5.2.3 标签之间的关联性分析 | 第105-107页 |
| 6.6 本章小节 | 第107-108页 |
| 第七章 全文总结和展望 | 第108-111页 |
| 7.1 全文总结 | 第108-109页 |
| 7.2 后续工作展望 | 第109-111页 |
| 致谢 | 第111-112页 |
| 参考文献 | 第112-121页 |
| 攻读博士学位期间取得的成果 | 第121-123页 |
