稀疏学习及其在多标记学习中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-13页 |
| 第一章 绪论 | 第13-19页 |
| ·机器学习 | 第13-14页 |
| ·稀疏学习及其应用 | 第14-16页 |
| ·多标记学习及其应用 | 第16-17页 |
| ·本文主要工作 | 第17页 |
| ·本文内容安排 | 第17-19页 |
| 第二章 稀疏学习理论，模型及其应用 | 第19-31页 |
| ·稀疏学习简介 | 第19-20页 |
| ·理论基础--不定线性方程组稀疏解理论 | 第20-23页 |
| ·稀疏解模型 | 第20-22页 |
| ·稀疏解唯一性 | 第22-23页 |
| ·稀疏学习模型及应用 | 第23-28页 |
| ·LASSO | 第23-25页 |
| ·Group LASSO | 第25-26页 |
| ·Tree Group LASSO | 第26-28页 |
| ·稀疏逆协方差矩阵估计 | 第28页 |
| ·本章小结 | 第28-31页 |
| 第三章 稀疏学习求解研究 | 第31-43页 |
| ·相关工作 | 第31-34页 |
| ·Basis Pursuit | 第31-32页 |
| ·Least Angle Regression | 第32-34页 |
| ·其他算法 | 第34页 |
| ·l_1球投影算法 | 第34-40页 |
| ·枢纽元算法 | 第34-36页 |
| ·零点算法 | 第36-38页 |
| ·枢纽元算法与零点算法等价性讨论 | 第38-39页 |
| ·零点算法改进 | 第39-40页 |
| ·基于l_1球投影算法的稀疏学习求解算法 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 第四章 多标记学习的自适应邻域算法 | 第43-55页 |
| ·简介 | 第43-44页 |
| ·相关工作 | 第44-48页 |
| ·多标记分类 | 第44页 |
| ·ML-KNN 算法 | 第44-45页 |
| ·IBLR-ML 算法 | 第45-46页 |
| ·基于稀疏表示的分类 | 第46-48页 |
| ·自适应邻域(AN)算法 | 第48-50页 |
| ·问题描述 | 第48页 |
| ·我们的方法 | 第48-49页 |
| ·同已有工作的比较 | 第49-50页 |
| ·实验 | 第50-54页 |
| ·评估方法 | 第50-52页 |
| ·数据集 | 第52页 |
| ·参数设定 | 第52页 |
| ·实验结果与分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| ·已有工作总结 | 第55页 |
| ·未来工作展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 在学期间的研究成果及发表的学术论文 | 第65页 |
