| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-17页 |
| ·机器学习概述 | 第9-11页 |
| ·对机器学习的描述 | 第9-10页 |
| ·机器学习的基本学习策略 | 第10-11页 |
| ·多示例学习 | 第11-16页 |
| ·多示例学习问题的提出 | 第11-13页 |
| ·多示例学习框架 | 第13-14页 |
| ·多示例学习的假设条件 | 第14-16页 |
| ·论文的结构安排 | 第16-17页 |
| 2 多示例学习的研究现状及应用 | 第17-31页 |
| ·多示例学习的算法 | 第17-25页 |
| ·轴平行矩形算法(APRs) | 第17-18页 |
| ·多样性密度算法(Diversity Density,DD) | 第18-20页 |
| ·基于k近邻(k-nearest neighbor)算法的多示例学习 | 第20-21页 |
| ·基于支持向量机(Support Vector Machine,SVM)的多示例算法 | 第21-23页 |
| ·基于人工神经网络的多示例算法 | 第23-24页 |
| ·基于Logistic回归模型的多示例学习算法 | 第24-25页 |
| ·多示例学习的实际应用 | 第25-31页 |
| ·物体检测 | 第26页 |
| ·图像检索 | 第26-27页 |
| ·Web挖掘 | 第27-28页 |
| ·文本分类 | 第28-29页 |
| ·计算机辅助诊断 | 第29-31页 |
| 3 Logistic回归模型 | 第31-38页 |
| ·Logistic回归模型的原理 | 第31-34页 |
| ·Logistic回归模型的最大似然估计 | 第34-38页 |
| 4 凝聚函数 | 第38-39页 |
| ·凝聚函数的定义 | 第38页 |
| ·应用 | 第38-39页 |
| 5 基于Logistic回归模型和凝聚函数的多示例学习算法 | 第39-48页 |
| ·模型建立 | 第39-40页 |
| ·对目标函数的逼近 | 第40-43页 |
| ·模型求解 | 第43-44页 |
| ·算法实验 | 第44-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间发表学术论文情况 | 第53-54页 |
| 致谢 | 第54-55页 |
