| 摘要 | 第2-3页 |
| ABSTRACT | 第3页 |
| 第1章 引言 | 第6-16页 |
| 1.1 研究背景与研究意义 | 第6-7页 |
| 1.1.1 研究背景 | 第6-7页 |
| 1.1.2 研究意义 | 第7页 |
| 1.2 文献综述 | 第7-14页 |
| 1.2.1 核方法 | 第7-10页 |
| 1.2.2 随机方法 | 第10-14页 |
| 1.3 本文的创新点 | 第14-15页 |
| 1.4 基本框架 | 第15-16页 |
| 第2章 基于随机多尺度核的单任务学习 | 第16-27页 |
| 2.1 机器学习问题与正则化方法 | 第16-19页 |
| 2.1.1 机器学习问题 | 第16-18页 |
| 2.1.2 正则化方法 | 第18-19页 |
| 2.2 RMSKL-SCR的理论与算法 | 第19-21页 |
| 2.3 算法实验 | 第21-26页 |
| 2.3.1 数据介绍 | 第22页 |
| 2.3.2 模型参数介绍与性能评价方法 | 第22-23页 |
| 2.3.3 实验报告 | 第23-26页 |
| 2.4 小结 | 第26-27页 |
| 第3章 基于随机多尺度核的多任务学习 | 第27-47页 |
| 3.1 两种典型的多任务学习 | 第27-31页 |
| 3.1.1 共享隐层节点的神经网络模型 | 第29-30页 |
| 3.1.2 带正则化项的联合特征选择模型 | 第30-31页 |
| 3.2 随机多尺度核多任务学习的理论与算法 | 第31-39页 |
| 3.2.1 随机多尺度核的正则多任务学习(RMSKL-MCR) | 第32-34页 |
| 3.2.2 随机多尺度核的网络多任务学习(RMSKL-MNR) | 第34-39页 |
| 3.3 算法实验 | 第39-46页 |
| 3.3.1 数据介绍 | 第39-40页 |
| 3.3.2 模型参数介绍与性能评价方法 | 第40页 |
| 3.3.3 实验报告 | 第40-46页 |
| 3.4 小结 | 第46-47页 |
| 第4章 总结与展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53-54页 |