| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 图目录 | 第12-14页 |
| 表目录 | 第14-15页 |
| 第一章 绪论 | 第15-28页 |
| ·选题背景和研究意义 | 第15-18页 |
| ·半监督学习的概念及基本假设 | 第18-20页 |
| ·半监督学习的概念 | 第18-19页 |
| ·半监督学习的基本假设 | 第19-20页 |
| ·半监督学习的研究进展及发展方向 | 第20-25页 |
| ·半监督学习的研究进展 | 第20-24页 |
| ·半监督学习的发展方向 | 第24-25页 |
| ·本文的主要研究内容 | 第25-26页 |
| ·本文的组织 | 第26-28页 |
| 第二章 半监督学习典型算法 | 第28-43页 |
| ·基于生成式模型的半监督学习算法 | 第28-29页 |
| ·基于协同训练的半监督分类算法 | 第29-31页 |
| ·基于低密度分离的半监督分类算法 | 第31-34页 |
| ·转导支持向量机TSVM | 第31-34页 |
| ·熵最小化方法 | 第34页 |
| ·基于图模型的半监督学习算法 | 第34-39页 |
| ·图算法的正则化框架 | 第34-35页 |
| ·最小分割Mincut | 第35页 |
| ·高斯随机场和调和函数GRF | 第35-37页 |
| ·谱图分割SGP | 第37页 |
| ·局部和全局一致性LGC | 第37-38页 |
| ·流形正则化MR | 第38-39页 |
| ·基于线性邻域的标记传播LNP | 第39页 |
| ·算法比较与分析 | 第39-42页 |
| ·测试数据集和算法的参数设置 | 第40-41页 |
| ·测试结果与分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 基于非负稀疏表达的数据图构造 | 第43-60页 |
| ·标记传播算法 | 第44-45页 |
| ·传统的数据图构造方法 | 第45-46页 |
| ·基于稀疏表达的数据图构造方法 | 第46-48页 |
| ·基于非负稀疏表达的数据图构造模型 | 第48-51页 |
| ·第一个改进模型 | 第48-49页 |
| ·第二个改进模型 | 第49-50页 |
| ·改进的基于非负稀疏表达的数据图构造算法 | 第50-51页 |
| ·实验及分析 | 第51-58页 |
| ·A Toy Problem | 第51-53页 |
| ·实际数据集 | 第53-58页 |
| ·分类准确率的比较 | 第54-57页 |
| ·参数对算法的影响 | 第57-58页 |
| ·本章小结 | 第58-60页 |
| 第四章 基于不相似性的图半监督分类算法及其在协同过滤问题中的应用 | 第60-77页 |
| ·基于不相似性的图半监督分类算法介绍 | 第60-62页 |
| ·基于软约束和不相似性的图半监督二分类模型 | 第62-63页 |
| ·基于软约束和不相似性的图半监督多分类模型 | 第63-65页 |
| ·全局优化算法 | 第65-68页 |
| ·实验及分析 | 第68-75页 |
| ·第一组实验 | 第68-71页 |
| ·第二组实验 | 第71-75页 |
| ·协同过滤问题简介 | 第71-73页 |
| ·实验结果及分析 | 第73-75页 |
| ·本章小结 | 第75-77页 |
| 第五章 基于图的半监督算法LGC 在标记有噪声数据中的应用 | 第77-90页 |
| ·标记有噪声下的学习 | 第77-78页 |
| ·软标记 | 第78-80页 |
| ·K 邻近软标记（K-nearest neighbor，KNN） | 第79页 |
| ·Keller 软标记 | 第79页 |
| ·基于近邻原型分类器的软标记（Generalized nearest prototype classifier，GNPC） | 第79-80页 |
| ·基于模糊C 均值聚类的软标记 | 第80页 |
| ·基于软标记的LGC 算法 | 第80-82页 |
| ·LGC 算法简介 | 第80-82页 |
| ·带软标记的LGC 算法 | 第82页 |
| ·实验及分析 | 第82-89页 |
| ·试验设计 | 第83-84页 |
| ·实验结果及分析 | 第84-89页 |
| ·本章小结 | 第89-90页 |
| 第六章 基于最小熵正则化的半监督分类算法 | 第90-101页 |
| ·Havrda-Charvat’s Structural α-熵聚类标准 | 第90-93页 |
| ·最小熵聚类标准 | 第90-92页 |
| ·Havrda-Charvat’s Structural α-熵聚类标准 | 第92-93页 |
| ·基于最小Havrda-Charvat’s Structural α-熵正则化的半监督分类模型 | 第93-94页 |
| ·最大似然准则 | 第93-94页 |
| ·半监督分类模型 | 第94页 |
| ·模型求解 | 第94-97页 |
| ·二分类问题 | 第95-96页 |
| ·多分类问题 | 第96页 |
| ·拟牛顿法求解模型 | 第96-97页 |
| ·实验及分析 | 第97-100页 |
| ·本章小结 | 第100-101页 |
| 结论与展望 | 第101-104页 |
| 参考文献 | 第104-112页 |
| 攻读博士学位期间取得的研究成果 | 第112-114页 |
| 致谢 | 第114页 |
