| ABSTRACT | 第1-5页 |
| ACKNOWLEDGEMENTS | 第5-11页 |
| Chapter 1 Introduction(Chinese) | 第11-31页 |
| ·Concepts | 第11-17页 |
| ·SVM,Kernel Methods | 第17-22页 |
| ·Regularization Theory | 第22-23页 |
| ·Graph-based Semi-supervised Learning | 第23-27页 |
| ·Contributions of This Thesis | 第27-31页 |
| ·Graph Laplacian Spectral Learning | 第27-29页 |
| ·Semi-supervised Learning With Structured Outputs | 第29-31页 |
| Chapter 2 Introduction | 第31-37页 |
| ·Standard SVM | 第31-32页 |
| ·Structural SVM | 第32-33页 |
| ·Semi-supervised Learning | 第33-35页 |
| ·Contribution of This Thesis | 第35-37页 |
| Chapter 3 Kernel,RKHS and Regularization | 第37-45页 |
| ·Binary Classification | 第37-38页 |
| ·Kernels and RKHS | 第38-39页 |
| ·The Kernel Methods | 第39-41页 |
| ·Regularization Theory | 第41-45页 |
| ·From Regularization Theory To SVM | 第42-45页 |
| Chapter 4 Preliminaries of Semi-supervised Learning | 第45-55页 |
| ·Concepts | 第46-48页 |
| ·Graph-based Semi-supervised Learning | 第48-55页 |
| ·Approximating Manifolds as Graphs | 第48-50页 |
| ·Is Manifold(Graph) Useful? | 第50-51页 |
| ·Graph Laplacian | 第51-55页 |
| Chapter 5 Spectral Transformation Approaches To Semi-Supervised Learning | 第55-87页 |
| ·Introduction | 第55-57页 |
| ·Background and Related Work | 第57-60页 |
| ·Regularization Problems | 第57-58页 |
| ·Semi-supervised Spectral Learning | 第58-60页 |
| ·KTA-based Spectral Kernel Design | 第60页 |
| ·Marginal-based Semi-supervised Spectral Learning | 第60-70页 |
| ·Theoretical Foundation | 第60-62页 |
| ·Algorithms | 第62-70页 |
| ·Manifold-Wrapped Kernel Learning Via Spectral Transformation | 第70-79页 |
| ·Manifold Regularization Problem | 第72-74页 |
| ·Algorithms | 第74-79页 |
| ·Experimental Results | 第79-83页 |
| ·Data | 第79页 |
| ·Tested Methods | 第79-80页 |
| ·Experimental Setup | 第80-81页 |
| ·Performance Results | 第81-83页 |
| ·Conclusions | 第83-87页 |
| Chapter 6 Graph-based Semi-supervised Structural Prediction | 第87-125页 |
| ·Symbols | 第88-89页 |
| ·Supervised Classification Models With Multiple Categories | 第89-97页 |
| ·Traditional Multi-class Classification | 第89-90页 |
| ·Supervised Classification With Structured Output Space | 第90-93页 |
| ·Marginal Rescaling Model(SVM_1~(△m)) | 第93-96页 |
| ·Slack Rescaling Model(SVM_1~(△s)) | 第96-97页 |
| ·Semi-supervised Learning With Multiple Categories | 第97-107页 |
| ·Multi-class Manifold Regularization | 第97-101页 |
| ·ManifoldRegularization Problem Based On SVM_1~(△s) | 第101-105页 |
| ·Manifold Regularization Problem Based On SVM_1~(△m) | 第105-107页 |
| ·Inductive Approach | 第107-109页 |
| ·Experiments | 第109-118页 |
| ·Compared Methods | 第109-110页 |
| ·Data sets | 第110页 |
| ·Experimental Protocol | 第110-113页 |
| ·Performance Estimation Criteria | 第113-115页 |
| ·Results | 第115-118页 |
| ·Discussions | 第118-124页 |
| ·Joint Laplacian?! | 第118-122页 |
| ·Computational Issue | 第122-124页 |
| ·Conclusions | 第124-125页 |
| Chapter 7 Conclusions And Future Work | 第125-129页 |
| Chapter 8 Appendix | 第129-133页 |
| ·Matrix | 第129-130页 |
| ·Kronecker Product | 第130页 |
| ·The Vec Operator | 第130-133页 |
| Bibliography | 第133-142页 |
