| 内容摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 导论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 高维分类问题研究现状 | 第11-13页 |
| 1.3 集成半监督问题研究现状 | 第13-17页 |
| 1.3.1 半监督学习问题 | 第13-15页 |
| 1.3.2 集成学习问题 | 第15-16页 |
| 1.3.3 半监督学习与集成学习的结合 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 1.5 创新之处 | 第18-20页 |
| 第2章 高维分类算法介绍 | 第20-28页 |
| 2.1 高维分类问题的难点和解决办法 | 第20-21页 |
| 2.2 基于一范数惩罚的Logistic回归分类算法 | 第21页 |
| 2.3 带DropOut层的稀疏神经网络分类算法 | 第21-26页 |
| 2.4 非参数特征扩充及选择分类算法 | 第26-28页 |
| 第3章 集成半监督学习的改进:对抗性用户识别算法 | 第28-38页 |
| 3.1 集成半监督学习的原理和发展历程 | 第28-29页 |
| 3.2 FANS算法的高置信区域特点与双空间的“分歧” | 第29-33页 |
| 3.2.1 FANS算法的高置信区域特点 | 第29-32页 |
| 3.2.2 双空间(局部核空间与特征空间)的“分歧” | 第32-33页 |
| 3.3 对抗性用户识别算法框架 | 第33-38页 |
| 3.3.1 噪声学习理论在半监督问题上的推广 | 第33-34页 |
| 3.3.2 对抗性用户识别算法总体框架 | 第34-36页 |
| 3.3.3 算法超参数及其影响 | 第36-37页 |
| 3.3.4 对抗性用户识别算法的创新 | 第37-38页 |
| 第4章 实证研究及超参数调试策略 | 第38-45页 |
| 4.1 案例背景 | 第38-41页 |
| 4.2 实证测试 | 第41-42页 |
| 4.3 算法超参数敏感性分析以及设置策略 | 第42-45页 |
| 4.3.1 非参核密度估计的窗宽函数 | 第42-43页 |
| 4.3.2 伪标签组扩张速率 | 第43-44页 |
| 4.3.3 FANS算法和PLR算法的L1正则系数交叉验证候选集 | 第44-45页 |
| 第5章 总结与展望 | 第45-48页 |
| 5.1 结论 | 第45-46页 |
| 5.2 不足与展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 后记 | 第52页 |
