基于图优化框架的数据维数约简方法及应用研究
| 摘要 | 第1-12页 |
| Abstract | 第12-14页 |
| 符号与缩略语 | 第14-16页 |
| 第一章 绪论 | 第16-42页 |
| ·研究背景及意义 | 第16-22页 |
| ·问题的提出及研究意义 | 第16-18页 |
| ·维数约简的定义 | 第18-19页 |
| ·维数约简方法分类 | 第19-20页 |
| ·与其它机器学习方法的联系和区别 | 第20-22页 |
| ·国内外研究现状 | 第22-36页 |
| ·几个经典的方法 | 第22-29页 |
| ·其它代表性维数约简方法 | 第29-32页 |
| ·主要研究方向 | 第32-36页 |
| ·论文的主要工作和结构安排 | 第36-42页 |
| ·论文的主要工作 | 第36-39页 |
| ·主要创新 | 第39-42页 |
| 第二章 数据维数约简的图优化框架 | 第42-66页 |
| ·从数据到流形 | 第43-49页 |
| ·高维数据不同维数的相关性 | 第43-48页 |
| ·人类认知与数据的流形化 | 第48-49页 |
| ·从流形到图 | 第49-55页 |
| ·图上的优化 | 第55-61页 |
| ·确立优化目标 | 第55-57页 |
| ·构图 | 第57-60页 |
| ·构建优化问题 | 第60-61页 |
| ·典型维数约简方法在图优化框架下的解释 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 第三章 稳健维数约简方法 | 第66-88页 |
| ·稳健局部维数约简方法 | 第66-77页 |
| ·稳健局部维数约简方法框架 | 第66-68页 |
| ·三种典型的稳健局部维数约简方法 | 第68-74页 |
| ·实验结果 | 第74-77页 |
| ·局部线性变换嵌入 | 第77-87页 |
| ·LLE 算法分析 | 第78-81页 |
| ·局部线性变换嵌入 | 第81-84页 |
| ·实验结果 | 第84-87页 |
| ·本章小结 | 第87-88页 |
| 第四章 半监督维数约简方法 | 第88-116页 |
| ·基于调和函数的半监督维数约简算法 | 第88-97页 |
| ·算法推导及分析 | 第89-94页 |
| ·实验结果 | 第94-97页 |
| ·多视图数据的半监督维数约简算法 | 第97-106页 |
| ·算法推导及分析 | 第98-103页 |
| ·实验结果 | 第103-106页 |
| ·负标签传播算法 | 第106-115页 |
| ·NLP 算法 | 第107-111页 |
| ·实验结果 | 第111-115页 |
| ·小结 | 第115-116页 |
| 第五章 基于子空间的图像分类与聚类 | 第116-136页 |
| ·基于光滑正交子空间的图像分类模型 | 第116-123页 |
| ·OSSL 模型 | 第117-121页 |
| ·实验结果 | 第121-123页 |
| ·两种基于子空间的图像聚类模型 | 第123-134页 |
| ·迹比值准则下的图像聚类模型 | 第123-128页 |
| ·基于模式收缩的图像聚类模型 | 第128-134页 |
| ·本章小结 | 第134-136页 |
| 第六章 高维对应问题 | 第136-152页 |
| ·基于最大差异延展算法的高维数据对应模型 | 第136-143页 |
| ·模型的建立 | 第137-139页 |
| ·实验结果 | 第139-143页 |
| ·局部近似最大差异延展高维对应模型 | 第143-151页 |
| ·算法推导 | 第143-146页 |
| ·实验结果 | 第146-148页 |
| ·互联网跨系统推荐中的应用 | 第148-151页 |
| ·本章小结 | 第151-152页 |
| 第七章 结束语 | 第152-155页 |
| 致谢 | 第155-156页 |
| 参考文献 | 第156-167页 |
| 作者在学期间取得的学术成果 | 第167-168页 |
