面向类别不平衡与未标记数据的偏标记学习研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 引言 | 第8-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 有待研究的问题 | 第11页 |
| 1.3.1 偏标记学习中的类别不平衡问题 | 第11页 |
| 1.3.2 基于偏标记学习的未标记数据利用 | 第11页 |
| 1.4 本文组织 | 第11-12页 |
| 第二章 偏标记学习算法 | 第12-18页 |
| 2.1 问题定义 | 第12页 |
| 2.2 基于辨识消歧的偏标记学习算法 | 第12-14页 |
| 2.2.1 基于极大似然估计的偏标记学习算法 | 第12-13页 |
| 2.2.2 基于最大化间隔的偏标记学习算法 | 第13-14页 |
| 2.3 基于平均消歧的偏标记学习算法 | 第14-16页 |
| 2.3.1 基于k近邻的偏标记学习算法 | 第14-15页 |
| 2.3.2 基于凸优化的偏标记学习算法 | 第15-16页 |
| 2.4 非消歧偏标记学习算法 | 第16-18页 |
| 第三章 类别不平衡偏标记学习算法 | 第18-30页 |
| 3.1 多类类别不平衡学习 | 第18-20页 |
| 3.1.1 数据层面方法 | 第18-19页 |
| 3.1.2 算法层面方法 | 第19-20页 |
| 3.2 Cimap算法 | 第20-21页 |
| 3.3 实验 | 第21-29页 |
| 3.3.1 实验设置 | 第21-24页 |
| 3.3.2 人造UCI数据集结果 | 第24-26页 |
| 3.3.3 真实世界数据集结果 | 第26-29页 |
| 3.4 小结 | 第29-30页 |
| 第四章 基于偏标记学习的未标记数据利用 | 第30-39页 |
| 4.1 半监督学习 | 第30-33页 |
| 4.1.1 半监督支持向量机 | 第30-31页 |
| 4.1.2 图半监督学习 | 第31-33页 |
| 4.2 SemiPL算法 | 第33-34页 |
| 4.3 实验 | 第34-38页 |
| 4.3.1 实验设置 | 第34-37页 |
| 4.3.2 实验结果 | 第37-38页 |
| 4.4 小结 | 第38-39页 |
| 第五章 总结 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 致谢 | 第44-45页 |
| 附录 | 第45页 |
