多视图的半监督学习研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-13页 |
| 1 绪论 | 第13-24页 |
| ·引言 | 第13页 |
| ·半监督学习 | 第13-16页 |
| ·监督学习与无监督学习 | 第14页 |
| ·半监督学习 | 第14-15页 |
| ·半监督学习的一些例子 | 第15-16页 |
| ·多视图的半监督学习 | 第16-19页 |
| ·多视图数据 | 第16-17页 |
| ·多视图表示的适用性 | 第17-18页 |
| ·多视图的半监督学习 | 第18-19页 |
| ·本文的研究动机 | 第19-21页 |
| ·本文的研究内容 | 第21-22页 |
| ·本文的组织结构 | 第22-24页 |
| 2 半监督学习研究概述 | 第24-50页 |
| ·引言 | 第24页 |
| ·未标记数据的作用 | 第24-27页 |
| ·未标记数据蕴含分布信息 | 第24-25页 |
| ·未标记数据起作用的条件 | 第25-27页 |
| ·半监督学习的分类 | 第27-44页 |
| ·生成式模型 | 第27-31页 |
| ·自训练 | 第31-32页 |
| ·协同训练 | 第32-35页 |
| ·低密度区域分割 | 第35-39页 |
| ·基于图的半监督学习 | 第39-42页 |
| ·方法分析及选择 | 第42-44页 |
| ·半监督学习的应用 | 第44-47页 |
| ·文本分类中的半监督学习 | 第44-45页 |
| ·图像分割中的半监督学习 | 第45页 |
| ·自然语言处理中的半监督学习 | 第45-47页 |
| ·半监督学习与人类学习 | 第47-48页 |
| ·小结 | 第48-50页 |
| 3 多视图半监督学习的正则化算法 | 第50-72页 |
| ·引言 | 第50页 |
| ·学习中的正则化理论 | 第50-55页 |
| ·逆问题与正则化 | 第50-52页 |
| ·从有限样本中学习与正则化 | 第52-55页 |
| ·利用标记和未标记数据定义正则化函数 | 第55-60页 |
| ·假设空间的度量结构 | 第55-57页 |
| ·函数光滑性的度量 | 第57-58页 |
| ·函数一致性的度量 | 第58-60页 |
| ·一种多视图半监督学习的正则化算法 | 第60-64页 |
| ·两个层次的正则化 | 第61-62页 |
| ·算法分析 | 第62-64页 |
| ·相关工作 | 第64-66页 |
| ·实验结果与分析 | 第66-70页 |
| ·小结 | 第70-72页 |
| 4 基于图的多视图半监督学习算法 | 第72-89页 |
| ·引言 | 第72页 |
| ·数据的图表示 | 第72-78页 |
| ·图的构建 | 第73-74页 |
| ·复杂数据的图表示 | 第74-78页 |
| ·多视图特征映射 | 第78-81页 |
| ·一种基于图的多视图半监督学习算法 | 第81-84页 |
| ·单个图的半监督学习 | 第81-82页 |
| ·多个图的半监督学习 | 第82-84页 |
| ·相关工作 | 第84-85页 |
| ·实验结果与分析 | 第85-87页 |
| ·小结 | 第87-89页 |
| 5 多视图构造算法及其与主动学习的结合 | 第89-112页 |
| ·引言 | 第89页 |
| ·随机子空间中的多视图构造与学习 | 第89-96页 |
| ·算法描述 | 第89-93页 |
| ·一种随机子空间中的多视图半监督学习算法 | 第93-94页 |
| ·算法分析 | 第94-96页 |
| ·相关工作 | 第96-97页 |
| ·与主动学习的结合 | 第97-102页 |
| ·主动学习概述 | 第97-98页 |
| ·一种排除学习器不确定性的主动学习算法 | 第98-100页 |
| ·多视图半监督学习与主动学习的结合 | 第100-102页 |
| ·实验结果与分析 | 第102-110页 |
| ·小结 | 第110-112页 |
| 6 结束语 | 第112-115页 |
| ·本文的主要贡献 | 第112-113页 |
| ·未来的研究方向 | 第113-115页 |
| 参考文献 | 第115-125页 |
| 作者简历 | 第125-127页 |
| 学位论文数据集 | 第127页 |
