| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 符号说明 | 第13-14页 |
| 第一章 背景及意义 | 第14-26页 |
| ·机器学习 | 第14页 |
| ·函数学习与正则化 | 第14-16页 |
| ·函数学习的局限性 | 第16-17页 |
| ·统计建模 | 第17-18页 |
| ·概率图模型 | 第18-19页 |
| ·统计学习的现实困难 | 第19-22页 |
| ·流形学习 | 第22-24页 |
| ·本文的构思 | 第24-26页 |
| 第二章 相关工作概述 | 第26-33页 |
| ·变分法概率推断 | 第26-29页 |
| ·变分消息传递 | 第29-30页 |
| ·流形正则化 | 第30-31页 |
| ·从归纳学习到转导学习 | 第31-33页 |
| 第三章 基于正则化的方法 | 第33-79页 |
| ·流形正则化的变分法 | 第33-35页 |
| ·与关系学习的联系 | 第35-36页 |
| ·算法的实现 | 第36-40页 |
| ·保证收敛且高效的算法:多变量分步优化 | 第36-39页 |
| ·更加高效的算法:多目标分步优化 | 第39-40页 |
| ·算法的进一步分析 | 第40-51页 |
| ·凸性分析 | 第40-42页 |
| ·收敛性证明 | 第42-51页 |
| ·计算复杂性分析 | 第51页 |
| ·示例模型 | 第51-59页 |
| ·高斯混合模型(Gaussian Mixture Model) | 第51-52页 |
| ·混合一连文模型(Mixture of Unigram) | 第52-55页 |
| ·概率潜语义分析(Probabilistic Latent Semantic Analysis) | 第55-56页 |
| ·潜在狄利克雷分配(Latent Dirichlet Allocation) | 第56-59页 |
| ·通用模块化引擎设计 | 第59-68页 |
| ·随机变量接口设计 | 第60-62页 |
| ·灵活的优化时序设计 | 第62-63页 |
| ·通用Mixture类设计 | 第63-64页 |
| ·内存和运行时间的平衡 | 第64-65页 |
| ·例子程序 | 第65-66页 |
| ·后续工作 | 第66-68页 |
| ·实验及应用分析 | 第68-79页 |
| ·数据聚类 | 第68-72页 |
| ·图像标注 | 第72-79页 |
| 第四章 基于链图模型直接表达流形准则的方法 | 第79-83页 |
| ·概率意义下的流形学习 | 第79-81页 |
| ·处理归一化因子 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-88页 |
| 攻读硕士学位期间主要的研究成果 | 第88页 |
