| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-16页 |
| 1.1 研究意义与背景 | 第12-13页 |
| 1.2 国内外的研究现状 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14页 |
| 1.4 本文的主要贡献 | 第14-15页 |
| 1.5 论文的结构 | 第15页 |
| 1.6 本章小结 | 第15-16页 |
| 2 相关知识 | 第16-24页 |
| 2.1 共轭先验分布 | 第16-17页 |
| 2.2 Gibbs Sampling算法 | 第17-18页 |
| 2.3 基于案例推理的方法 | 第18页 |
| 2.4 贝叶斯案例模型 | 第18-20页 |
| 2.5 One-shot学习 | 第20-21页 |
| 2.6 贝叶斯程序学习算法 | 第21-22页 |
| 2.7 多视角聚类 | 第22-23页 |
| 2.8 本章小结 | 第23-24页 |
| 3 多视角生成模型的可解释性聚类 | 第24-35页 |
| 3.1 嵌入多视角因素的贝叶斯案例模型 | 第24-26页 |
| 3.2 多视角生成模型 | 第26-27页 |
| 3.3 多视角生成模型的可解释性聚类的过程 | 第27-28页 |
| 3.4 多视角生成模型的可解释性聚类算法 | 第28-32页 |
| 3.4.1 算法的实现 | 第28-31页 |
| 3.4.2 算法分析 | 第31页 |
| 3.4.3 算法的贡献 | 第31-32页 |
| 3.5 定性和定量解释聚类划分的优点 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 实验 | 第35-57页 |
| 4.1 实验数据集 | 第35-36页 |
| 4.2 实验设计 | 第36-37页 |
| 4.3 实验结果及分析 | 第37-55页 |
| 4.3.1 人工数据集的实验结果及分析 | 第37-40页 |
| 4.3.2 三组UCI数据集的实验结果及分析 | 第40-48页 |
| 4.3.3 图像数据集的实验结果及分析 | 第48-55页 |
| 4.4 ICMG算法与其它多视角算法可解释性的对比分析 | 第55-56页 |
| 4.5 聚类划分可解释性的验证 | 第56页 |
| 4.6 本章小结 | 第56-57页 |
| 5 总结与下一步工作 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 下一步工作 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 个人简介 | 第63-64页 |
| 致谢 | 第64页 |