| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状及问题描述 | 第12-21页 |
| 1.2.1 各类机器学习算法的PAC-Bayes边界 | 第12-15页 |
| 1.2.2 PAC-Bayes理论应用的研究现状 | 第15-20页 |
| 1.2.3 问题描述 | 第20-21页 |
| 1.3 论文的研究内容和主要工作 | 第21-22页 |
| 1.4 论文结构安排 | 第22-24页 |
| 第二章 PAC-Bayes理论概述 | 第24-41页 |
| 2.1 支持向量机 | 第24-33页 |
| 2.1.1 统计学习理论概述 | 第24-27页 |
| 2.1.2 支持向量机原理 | 第27-33页 |
| 2.2 PAC框架 | 第33-35页 |
| 2.3 PAC-Bayes边界理论及应用 | 第35-40页 |
| 2.3.1 PAC-Bayes边界理论 | 第35-37页 |
| 2.3.2 SVM上的PAC-Bayes边界 | 第37-40页 |
| 2.4 小结 | 第40-41页 |
| 第三章 PAC-Bayes边界应用于SVM算法 | 第41-68页 |
| 3.1 引言 | 第41-42页 |
| 3.2 PAC-Bayes边界评价SVM泛化性能 | 第42-53页 |
| 3.2.1 评价泛化性能的算法实现 | 第42-44页 |
| 3.2.2 实验设计 | 第44页 |
| 3.2.3 实验结果与分析 | 第44-53页 |
| 3.3 PAC-Bayes边界与交叉验证方法的对比 | 第53-55页 |
| 3.3.1 实验设计 | 第53-54页 |
| 3.3.2 实验结果与分析 | 第54-55页 |
| 3.4 PAC-Bayes边界应用于SVM模型选择 | 第55-60页 |
| 3.4.1 SVM模型选择的理论分析 | 第55-57页 |
| 3.4.2 实验设计 | 第57-58页 |
| 3.4.3 实验结果与分析 | 第58-60页 |
| 3.5 SVM及PAC-Bayes边界在蛋白质预测上的应用 | 第60-66页 |
| 3.5.1 蛋白质结构的研究现状 | 第60-62页 |
| 3.5.2 理论分析与实验结果 | 第62-65页 |
| 3.5.3 SVM与其它算法的横向比较 | 第65-66页 |
| 3.6 小结 | 第66-68页 |
| 第四章 MCMC方法实现PAC-Bayes边界求解 | 第68-95页 |
| 4.1 引言 | 第68-69页 |
| 4.2 概念空间的构造 | 第69-76页 |
| 4.2.1 RKHS | 第69-74页 |
| 4.2.2 概念空间构造 | 第74-76页 |
| 4.3 随机采样方法 | 第76-77页 |
| 4.4 MCMC方法 | 第77-85页 |
| 4.4.1 MCMC方法概述 | 第77-81页 |
| 4.4.2 MCMC方法算法实现 | 第81-83页 |
| 4.4.3 MCMC方法的收敛性 | 第83-85页 |
| 4.5 KL及PAC-Bayes边界的算法实现 | 第85-88页 |
| 4.5.1 KL相对熵的算法实现 | 第85-86页 |
| 4.5.2 PAC-Bayes边界的算法实现 | 第86-88页 |
| 4.6 实验结果与分析 | 第88-91页 |
| 4.7 MCMC采样的优化 | 第91-94页 |
| 4.7.1 MCMC优化的算法实现 | 第91-92页 |
| 4.7.2 MCMC优化实验结果与分析 | 第92-94页 |
| 4.8 小结 | 第94-95页 |
| 第五章 改进的MCMC方法 | 第95-104页 |
| 5.1 改进MCMC方法的理论分析 | 第95-97页 |
| 5.2 核密度估计方法 | 第97-98页 |
| 5.3 改进MCMC方法的算法实现 | 第98-100页 |
| 5.3.1 改进MCMC算法 | 第98-99页 |
| 5.3.2 PAC-Bayes边界算法实现 | 第99-100页 |
| 5.4 改进MCMC方法的实验结果与分析 | 第100-102页 |
| 5.4.1 实验数据 | 第100页 |
| 5.4.2 实验结果与分析 | 第100-102页 |
| 5.5 小结 | 第102-104页 |
| 第六章 总结与展望 | 第104-107页 |
| 6.1 全文总结 | 第104-105页 |
| 6.2 工作展望 | 第105-107页 |
| 参考文献 | 第107-116页 |
| 发表论文和科研情况说明 | 第116-117页 |
| 致谢 | 第117-118页 |
