| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第7-9页 |
| 主要符号对照表 | 第9-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景与意义 | 第10页 |
| ·国内外研究现状 | 第10-13页 |
| ·本文研究内容与结构安排 | 第13-14页 |
| 第二章 多任务学习方法及相关技术概述 | 第14-22页 |
| ·多任务学习的分类 | 第14-19页 |
| ·基于神经网络的多任务学习 | 第14-15页 |
| ·基于高斯过程的多任务学习 | 第15-16页 |
| ·基于正则化项的多任务学习 | 第16-19页 |
| ·其他相关技术 | 第19-21页 |
| ·Group-Lasso 结构化稀疏 | 第20页 |
| ·协同聚类 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 多任务学习的叠加模型 | 第22-28页 |
| ·叠加模型总体框架 | 第22-23页 |
| ·多任务学习中的各类叠加模型 | 第23-27页 |
| ·健壮的多任务特征学习方法(rMTFL) | 第23-24页 |
| ·Dirty模型(Dirty) | 第24-25页 |
| ·基于可变簇的多任务学习方法(Flex-Clus) | 第25-26页 |
| ·多层次聚类的多任务学习(MeTaG) | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第四章 基于协聚类的多任务学习方法CoCMTL | 第28-42页 |
| ·特征和任务关系挖掘的必要性 | 第28-29页 |
| ·基于协同聚类的CoCMTL方法 | 第29-32页 |
| ·全局相似性 | 第29页 |
| ·局部相似性 | 第29-32页 |
| ·优化算法 | 第32-34页 |
| ·PALM 算法 | 第33页 |
| ·更新过程中Q的求解算法 | 第33-34页 |
| ·实验分析 | 第34-40页 |
| ·对比算法及指标 | 第35-36页 |
| ·模拟数据 | 第36-39页 |
| ·教育数据 | 第39页 |
| ·计算机调研数据 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第五章 基于多任务学习的轨迹回归RDMTR | 第42-54页 |
| ·轨迹回归问题描述 | 第42-43页 |
| ·主要难点 | 第43页 |
| ·基于多任务学习的方法 | 第43-46页 |
| ·时间平滑性 | 第44页 |
| ·空间平滑性 | 第44-45页 |
| ·局部时间变化 | 第45-46页 |
| ·优化算法 | 第46-49页 |
| ·子问题求解过程 | 第48-49页 |
| ·算法分析 | 第49页 |
| ·实验分析 | 第49-53页 |
| ·对比算法及指标 | 第49-50页 |
| ·模拟数据 -Grid20 | 第50-51页 |
| ·苏州交通数据 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第六章 结论与展望 | 第54-58页 |
| ·全文总结 | 第54-55页 |
| ·下一步工作和展望 | 第55-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 在读期间发表的学术论文与取得的研究成果 | 第64页 |