基于向量场的机器学习
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 插图 | 第8-11页 |
| 表格 | 第11-12页 |
| 目次 | 第12-14页 |
| 1 绪论 | 第14-25页 |
| 1.1 研究的背景及意义 | 第14-17页 |
| 1.2 相关研究现状 | 第17-21页 |
| 1.3 本文研究内容和主要贡献 | 第21-23页 |
| 1.4 本文各章节的结构安排 | 第23-24页 |
| 1.5 本章小结 | 第24-25页 |
| 2 基于向量场的线性流形学习 | 第25-43页 |
| 2.1 研究动机 | 第25-26页 |
| 2.2 理论分析 | 第26-34页 |
| 2.3 我们的方法 | 第34-37页 |
| 2.4 实验结果 | 第37-42页 |
| 2.5 本章小节 | 第42-43页 |
| 3 基于向量场的非线性流形学习 | 第43-74页 |
| 3.1 研究动机 | 第43-44页 |
| 3.2 基于几何视角的降维 | 第44-48页 |
| 3.3 平行向量场嵌入 | 第48-64页 |
| 3.4 实验 | 第64-72页 |
| 3.5 本章小节 | 第72-74页 |
| 4 基于向量场的半监督学习 | 第74-86页 |
| 4.1 研究动机 | 第74-75页 |
| 4.2 向量场上的正则化 | 第75-77页 |
| 4.3 实现 | 第77-83页 |
| 4.4 相关工作和讨论 | 第83页 |
| 4.5 实验 | 第83-85页 |
| 4.6 本章小节 | 第85-86页 |
| 5 基于向量场的多任务学习 | 第86-97页 |
| 5.1 研究动机 | 第86-87页 |
| 5.2 多任务学习：一个向量场的方法 | 第87-92页 |
| 5.3 优化 | 第92-94页 |
| 5.4 实验 | 第94-96页 |
| 5.5 结论 | 第96-97页 |
| 6 基于向量场的测地距离函数学习 | 第97-113页 |
| 6.1 研究动机 | 第97-98页 |
| 6.2 理论分析 | 第98-104页 |
| 6.3 测地距离函数学习 | 第104-109页 |
| 6.4 实验 | 第109-112页 |
| 6.5 结论 | 第112-113页 |
| 7 总结与展望 | 第113-116页 |
| 7.1 本文小结 | 第113-115页 |
| 7.2 未来工作展望 | 第115-116页 |
| 参考文献 | 第116-122页 |
| 作者简历 | 第122-123页 |
| 发表文章目录 | 第123-124页 |
| 致谢 | 第124页 |
