摘要 | 第1-5页 |
Abstract | 第5-13页 |
第一章 绪论 | 第13-23页 |
·研究背景和研究意义 | 第13-15页 |
·国内外研究现状 | 第15-20页 |
·研究内容及组织结构 | 第20-23页 |
·研究目标 | 第20页 |
·主要内容和创新 | 第20-21页 |
·论文组织结构 | 第21-23页 |
第二章 协作式整体和局部的分类机 | 第23-41页 |
·引言 | 第23-25页 |
·整体和局部的协作式学习 | 第25-30页 |
·线性可分的情况 | 第25-26页 |
·几何解释 | 第26-27页 |
·C2M和SVM的关系 | 第27-28页 |
·C2M和LDA的关系 | 第28-29页 |
·线性不可分的情况 | 第29页 |
·交遇区较多的情况 | 第29-30页 |
·C2M的核化 | 第30-33页 |
·实验结果与分析 | 第33-39页 |
·模拟数据集实验分析 | 第33-34页 |
·标准数据集实验分析 | 第34-37页 |
·USPS数据集上的实验 | 第37-39页 |
·本章小结 | 第39-41页 |
第三章 方差保持的异常检测分类机 | 第41-49页 |
·引言 | 第41页 |
·CP-ND分类器 | 第41-44页 |
·CP-ND原始问题 | 第41-42页 |
·CP-ND对偶问题 | 第42-44页 |
·ν参数的性质 | 第44-45页 |
·实验结果与分析 | 第45-47页 |
·本章小结 | 第47-49页 |
第四章 广义的局部保留分类机 | 第49-59页 |
·引言 | 第49页 |
·相关工作 | 第49-51页 |
·局部保留投影算法LPP | 第50页 |
·最小最大边界分类机M4 | 第50-51页 |
·广义的局部保留分类机GLPM | 第51-55页 |
·硬边界GLPM | 第51-52页 |
·与其它模型的关系 | 第52-54页 |
·软边界GLPM | 第54-55页 |
·GLPM的核化 | 第55页 |
·实验结果与分析 | 第55-58页 |
·非高斯分布手工数据实验 | 第56页 |
·UCI数据集上的实验 | 第56-58页 |
·本章小结 | 第58-59页 |
第五章 支持向量机的一种快速分类算法 | 第59-69页 |
·引言 | 第59-60页 |
·快速分类算法FD-SVM | 第60-64页 |
·主要思想 | 第60-61页 |
·算法描述 | 第61-64页 |
·实验结果与分析 | 第64-67页 |
·人工数据集 | 第64-66页 |
·真实数据集 | 第66-67页 |
·本章小节 | 第67-69页 |
第六章 按标签划分的协作式隐私保护分类机 | 第69-85页 |
·引言 | 第69-71页 |
·相关概念和定义 | 第71页 |
·协作式隐私保护分类 | 第71-78页 |
·线性模型 | 第71-73页 |
·几何解释 | 第73-75页 |
·保护隐私的训练算法 | 第75页 |
·保护隐私的测试算法 | 第75-76页 |
·LP2M和MPM的关系 | 第76-77页 |
·LP2M和SVM的关系 | 第77-78页 |
·LP2M和M4的关系 | 第78页 |
·LP2M的核化 | 第78-80页 |
·实验结果与分析 | 第80-82页 |
·模拟数据集实验分析 | 第80页 |
·标准数据集实验分析 | 第80-82页 |
·本章小结 | 第82-85页 |
第七章 水平划分的协作式隐私保护分类机 | 第85-99页 |
·引言 | 第85页 |
·HP2M分类器 | 第85-92页 |
·HP2M线性模型 | 第85-87页 |
·HP2M的协作机制 | 第87-89页 |
·和其它模型的关系 | 第89-91页 |
·线性HP2M的安全训练算法 | 第91页 |
·线性HP2M的安全测试算法 | 第91-92页 |
·HP2M的核化 | 第92-95页 |
·实验结果与分析 | 第95-97页 |
·标准数据集实验 | 第95-97页 |
·通讯复杂度 | 第97页 |
·本章小结 | 第97-99页 |
第八章 总结与展望 | 第99-101页 |
·总结 | 第99-100页 |
·展望 | 第100-101页 |
致谢 | 第101-103页 |
参考文献 | 第103-116页 |
附录A | 第116-117页 |
A.1 攻读博士学位期间撰写的与课题相关的论文和专利列表 | 第116-117页 |
A.2 攻读博士学位期间参加的科研项目列表 | 第117页 |