基于集成学习的多标记学习算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 术语与符号约定 | 第12-13页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 引言 | 第13-14页 |
| 1.2 研究现状 | 第14页 |
| 1.3 有待研究的问题 | 第14-16页 |
| 1.3.1 未标记数据的利用 | 第15页 |
| 1.3.2 类属属性 | 第15-16页 |
| 1.4 本文组织 | 第16-17页 |
| 第二章 多标记学习算法 | 第17-29页 |
| 2.1 问题定义 | 第17-20页 |
| 2.1.1 学习框架 | 第17-18页 |
| 2.1.2 评价指标 | 第18-20页 |
| 2.1.3 学习算法 | 第20页 |
| 2.2 半监督多标记学习算法 | 第20-25页 |
| 2.2.1 SMSE | 第21-22页 |
| 2.2.2 TRAM | 第22-23页 |
| 2.2.3 iMLCU | 第23-25页 |
| 2.3 类属属性多标记学习算法 | 第25-29页 |
| 2.3.1 LIFT | 第26页 |
| 2.3.2 LLSF | 第26-29页 |
| 第三章 基于协同训练的半监督多标记学习算法 | 第29-41页 |
| 3.1 协同训练 | 第29-30页 |
| 3.2 COINS算法 | 第30-32页 |
| 3.2.1 构建分类器 | 第30-32页 |
| 3.2.2 监督信息交互 | 第32页 |
| 3.3 实验结果 | 第32-39页 |
| 3.3.1 实验设置 | 第32-34页 |
| 3.3.2 结果分析 | 第34-39页 |
| 3.4 小结 | 第39-41页 |
| 第四章 基于聚类集成的类属属性多标记学习算法 | 第41-51页 |
| 4.1 聚类算法 | 第41-42页 |
| 4.2 LIFTACE算法 | 第42-45页 |
| 4.2.1 构建类属属性 | 第42-43页 |
| 4.2.2 训练分类器 | 第43-45页 |
| 4.3 实验结果 | 第45-50页 |
| 4.3.1 实验设置 | 第45-48页 |
| 4.3.2 结果分析 | 第48-50页 |
| 4.4 小结 | 第50-51页 |
| 第五章 结束语 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-63页 |
| 作者简介 | 第63页 |
