| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第15-35页 |
| 1.1 研究的背景及意义 | 第15-17页 |
| 1.2 弱监督学习研究现状分析 | 第17-25页 |
| 1.2.1 半监督学习 | 第17-18页 |
| 1.2.2 多示例学习 | 第18-20页 |
| 1.2.3 多标记学习 | 第20-22页 |
| 1.2.4 混合弱监督问题 | 第22-23页 |
| 1.2.5 存在的主要问题 | 第23-25页 |
| 1.3 弱监督样本的价值 | 第25-27页 |
| 1.3.1 未标记样本的价值 | 第25-26页 |
| 1.3.2 聚类假设 | 第26页 |
| 1.3.3 流形假设 | 第26-27页 |
| 1.3.4 总结 | 第27页 |
| 1.4 图方法简介 | 第27-31页 |
| 1.4.1 图的构建 | 第29-30页 |
| 1.4.2 权重计算 | 第30-31页 |
| 1.4.3 难点及现状 | 第31页 |
| 1.5 课题来源及主要研究内容 | 第31-35页 |
| 1.5.1 课题来源 | 第31-32页 |
| 1.5.2 主要研究内容及文章结构 | 第32-35页 |
| 第2章 统一解决复杂弱监督问题的学习框架 | 第35-53页 |
| 2.1 引言 | 第35-36页 |
| 2.2 问题描述 | 第36-38页 |
| 2.2.1 弱监督样本的统一表示 | 第36-37页 |
| 2.2.2 度量样本集监督信息强弱 | 第37-38页 |
| 2.3 基于极大似然估计的EMmodel框架 | 第38-43页 |
| 2.3.1 极大似然估计 | 第38-39页 |
| 2.3.2 EMmodel解决半监督学习问题 | 第39页 |
| 2.3.3 期望最大化算法 | 第39-40页 |
| 2.3.4 EMmodel解决多标记学习问题 | 第40-41页 |
| 2.3.5 EMmodel解决复杂混合弱监督学习问题 | 第41-43页 |
| 2.4 基于图方法的graphmodel框架 | 第43-50页 |
| 2.4.1 图方法基本框架 | 第44-45页 |
| 2.4.2 最小割方法 | 第45页 |
| 2.4.3 流形正则化 | 第45-46页 |
| 2.4.4 高斯场与调和函数 | 第46-48页 |
| 2.4.5 局部与全局一致性方法 | 第48-49页 |
| 2.4.6 带约束的随机游走图模型 | 第49-50页 |
| 2.5 分析与启示 | 第50-52页 |
| 2.5.1 联系与差异 | 第50-52页 |
| 2.5.2 启示 | 第52页 |
| 2.6 本章小结 | 第52-53页 |
| 第3章 基于嵌入式流形直推的自适应半监督自学习算法 | 第53-75页 |
| 3.1 引言 | 第53-54页 |
| 3.2 预备知识与算法概要 | 第54-56页 |
| 3.3 基于嵌入式流形直推的自适应自学习算法 | 第56-63页 |
| 3.3.1 带约束随机游走图模型 | 第56-59页 |
| 3.3.2 自适应策略 | 第59-60页 |
| 3.3.3 与相关算法比较 | 第60-63页 |
| 3.4 实验验证 | 第63-73页 |
| 3.4.1 实验设置 | 第63页 |
| 3.4.2 实验结果与分析 | 第63-73页 |
| 3.5 本章小结 | 第73-75页 |
| 第4章 基于样本条件价值的半监督协同训练算法 | 第75-102页 |
| 4.1 引言 | 第75-77页 |
| 4.2 问题的提出 | 第77-80页 |
| 4.2.1 自学习的困境 | 第78页 |
| 4.2.2 标准协同训练的不足 | 第78-80页 |
| 4.3 CVCOT算法 | 第80-85页 |
| 4.3.1 基于样本条件价值的挑选策略 | 第80-83页 |
| 4.3.2 算法具体步骤 | 第83-85页 |
| 4.4 实验结果与分析 | 第85-100页 |
| 4.4.1 在UCI数据集上的实验 | 第85-89页 |
| 4.4.2 在多视图数据集上的应用 | 第89-100页 |
| 4.5 本章小结 | 第100-102页 |
| 第5章 针对弱标记的直推式多标记图方法 | 第102-125页 |
| 5.1 引言 | 第102-103页 |
| 5.2 相关工作 | 第103-108页 |
| 5.2.1 基于k近邻的多标记惰性学习算法 | 第104-105页 |
| 5.2.2 半监督多标记学习算法CNMF | 第105-107页 |
| 5.2.3 基于正则项优化的弱标记多标记学习算法 | 第107-108页 |
| 5.3 多标记学习性能评价指标 | 第108-110页 |
| 5.4 所提算法 | 第110-116页 |
| 5.4.1 问题描述与基本思路 | 第110-112页 |
| 5.4.2 基于随机游走的直推式多标记学习方法 | 第112-113页 |
| 5.4.3 自适应方法确定样本标记的最优子集 | 第113-115页 |
| 5.4.4 算法概要 | 第115-116页 |
| 5.5 实验 | 第116-124页 |
| 5.5.1 实验设置 | 第116-117页 |
| 5.5.2 酵母基因功能分析(Yeast) | 第117-121页 |
| 5.5.3 自然场景分类(Scene) | 第121-124页 |
| 5.6 本章小结 | 第124-125页 |
| 结论 | 第125-127页 |
| 参考文献 | 第127-140页 |
| 攻读博士学位期间发表的论文及其他成果 | 第140-142页 |
| 致谢 | 第142-143页 |
| 个人简历 | 第143页 |