| 第1章 引言 | 第1-23页 |
| ·研究背景和意义 | 第9-14页 |
| ·在学习算法中添加与问题相关的知识 | 第10-12页 |
| ·基于Side-Information 学习问题的研究价值 | 第12-14页 |
| ·本领域研究现状和文献综述 | 第14-22页 |
| ·传统聚类算法 | 第14-16页 |
| ·基于Side-Information 的算法综述 | 第16-21页 |
| ·基于样本点对的分类算法 | 第21-22页 |
| ·本文的章节安排 | 第22-23页 |
| 第2章 基于SIDE-INFORMATION 的半监督特征提取 | 第23-38页 |
| ·引言 | 第23-24页 |
| ·传统半监督分类算法 | 第24-26页 |
| ·聚类假设 | 第24-25页 |
| ·基于有限混合模型和EM 算法的半监督分类算法 | 第25-26页 |
| ·基于 SIDE-INFORMATION 的半监督特征提取算法 | 第26-33页 |
| ·基于 Side-Information 的半监督学习问题表述 | 第26-27页 |
| ·基于 Side-Information 的半监督相关特征提取框架 | 第27-28页 |
| ·如何给没有标签的样本点对进行标号 | 第28-32页 |
| ·ISERCA 算法流程 | 第32-33页 |
| ·实验结果 | 第33-36页 |
| ·讨论 | 第36-38页 |
| 第3章 基于样本点对的流形分类算法 | 第38-53页 |
| ·引言 | 第38-39页 |
| ·利用样本点对设计流形分类算法 | 第39-45页 |
| ·设计具有不变性的距离度量 | 第40-41页 |
| ·切线距离(TD: Tangent Distance) | 第41-43页 |
| ·最近特征线分类器(NFL) | 第43-45页 |
| ·可调最近特征线分类器(TNFL) | 第45-48页 |
| ·实验结果 | 第48-51页 |
| ·在UCI 机器学习数据集上的结果 | 第48-49页 |
| ·人脸识别结果 | 第49-51页 |
| ·TNFL 中的参数选择问题 | 第51页 |
| ·小结 | 第51-53页 |
| 第4章 结构共享局部流形分类器 | 第53-65页 |
| ·引言 | 第53-54页 |
| ·相关工作回顾 | 第54-57页 |
| ·基于流形不变性度量学习的统一框架 | 第54-55页 |
| ·概率切子空间(PTS) | 第55-57页 |
| ·结构共享局部流形分类器(SSLMC) | 第57-60页 |
| ·局部概率切子空间(LPTS: Local PTS) | 第57-58页 |
| ·局部结构共享的假设 | 第58-59页 |
| ·SSLMC 与一些相关算法的关系 | 第59-60页 |
| ·实验结果 | 第60-64页 |
| ·UCI 数据库上的实验结果 | 第61-63页 |
| ·在数字识别数据库上的实验结果 | 第63-64页 |
| ·小结 | 第64-65页 |
| 第5章 结论 | 第65-66页 |
| 参考文献 | 第66-73页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第73页 |
