解纠缠表示学习与概念空间构建
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究背景与意义 | 第14-18页 |
| 1.2 研究内容和贡献 | 第18-20页 |
| 1.2.1 借助类比推理的解纠缠表示学习 | 第19页 |
| 1.2.2 两两独立先验的解纠缠表示学习 | 第19-20页 |
| 1.2.3 解纠缠表示学习在概念空间构建上的应用 | 第20页 |
| 1.3 文章组织结构 | 第20-21页 |
| 第2章 国内外研究现状 | 第21-36页 |
| 2.1 生成模型和自动编码机 | 第21-27页 |
| 2.2 解纠缠表示学习方法回顾 | 第27-33页 |
| 2.2.1 有监督学习 | 第27-30页 |
| 2.2.2 无监督学习 | 第30-33页 |
| 2.2.3 弱监督学习 | 第33页 |
| 2.3 解纠缠表示学习的挑战 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 类比关系和解纠缠表示学习 | 第36-51页 |
| 3.1 等比类比关系 | 第36-38页 |
| 3.2 类比训练策略 | 第38-41页 |
| 3.3 子空间指数 | 第41-44页 |
| 3.4 实验验证 | 第44-49页 |
| 3.4.1 算法实现细节 | 第44-48页 |
| 3.4.2 实验结果 | 第48-49页 |
| 3.5 讨论和本章小结 | 第49-51页 |
| 第4章 两两独立假设下的解纠缠表示学习 | 第51-68页 |
| 4.1 两两独立的观察 | 第51-53页 |
| 4.2 两两独立自动编码机 | 第53-60页 |
| 4.2.1 两两独立的罚项 | 第54-55页 |
| 4.2.2 另一种对数似然下界 | 第55-60页 |
| 4.3 实验验证 | 第60-67页 |
| 4.3.1 实现细节 | 第61-62页 |
| 4.3.2 CelebA数据集属性匹配 | 第62-65页 |
| 4.3.3 子空间指数 | 第65-66页 |
| 4.3.4 可视化展示 | 第66-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 解纠缠表示的概念学习应用 | 第68-113页 |
| 5.1 概念和概念空间 | 第68-71页 |
| 5.2 概念空间的学习 | 第71-80页 |
| 5.3 基于邻域模型的概念表示 | 第80-92页 |
| 5.3.1 含糊概念表示 | 第80-82页 |
| 5.3.2 含糊概念的简单推理 | 第82-85页 |
| 5.3.3 含糊概念的一般推理 | 第85-92页 |
| 5.4 基于密度尖峰的概念表示 | 第92-112页 |
| 5.4.1 实体分布的众数 | 第92-93页 |
| 5.4.2 密度尖峰算法 | 第93-97页 |
| 5.4.3 比较性密度尖峰算法 | 第97-100页 |
| 5.4.4 聚类任务实验效果 | 第100-104页 |
| 5.4.5 概念学习任务实验效果 | 第104-112页 |
| 5.5 本章小结 | 第112-113页 |
| 第6章 总结和展望 | 第113-116页 |
| 参考文献 | 第116-129页 |
| 攻读博士学位期间主要的研究成果 | 第129-130页 |
| 致谢 | 第130-132页 |
