| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 二分类算法理论简述 | 第12-13页 |
| 1.2.2 大规模数据的二分类算法的研究概述 | 第13页 |
| 1.3 本文的工作与安排 | 第13-16页 |
| 第二章 相关工作 | 第16-29页 |
| 2.1 二分类相关理论 | 第16-20页 |
| 2.1.1 平衡二分类 | 第16-17页 |
| 2.1.2 不平衡二分类 | 第17-20页 |
| 2.2 AUC与PAUC | 第20-23页 |
| 2.2.1 AUC评估准则 | 第20-22页 |
| 2.2.2 PAUC评估准则 | 第22-23页 |
| 2.3 直接优化AUC/PAUC的算法 | 第23-25页 |
| 2.3.1 直接优化AUC的算法 | 第23-24页 |
| 2.3.2 直接优化PAUC的算法 | 第24-25页 |
| 2.4 面向在线学习的优化算法 | 第25-28页 |
| 2.4.1 在线学习概念简述 | 第25-26页 |
| 2.4.2 基于在线学习的AUC/PAUC优化算法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 一种具有O(logT/T)收敛速度的在线PAUC优化算法 | 第29-43页 |
| 3.1 算法的目标函数及框架 | 第29-32页 |
| 3.1.1 目标函数定义 | 第29-31页 |
| 3.1.2 算法实现框架 | 第31-32页 |
| 3.2 算法内部优化 | 第32-36页 |
| 3.2.1 缓冲区优化过程 | 第32-34页 |
| 3.2.2 自适应策略优化过程 | 第34-36页 |
| 3.3 算法收敛性证明 | 第36-38页 |
| 3.4 实验结果与分析 | 第38-42页 |
| 3.4.1 实验数据集及比较算法 | 第38-39页 |
| 3.4.2 算法整体性能的比较与分析 | 第39-40页 |
| 3.4.3 自适应策略测试与分析 | 第40-41页 |
| 3.4.4 参数k效果评估 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于随机学习的PAUC算法 | 第43-54页 |
| 4.1 随机学习简述 | 第43-44页 |
| 4.2 算法的目标函数及实现过程 | 第44-47页 |
| 4.2.1 目标函数定义 | 第44-45页 |
| 4.2.2 算法实现框架 | 第45-46页 |
| 4.2.3 算法优化过程 | 第46-47页 |
| 4.3 实验结果与分析 | 第47-53页 |
| 4.3.1 实验数据集及比较算法 | 第47-48页 |
| 4.3.2 算法整体性能比较与分析 | 第48-49页 |
| 4.3.3 参数敏感性测试与分析 | 第49-51页 |
| 4.3.4 参数s的评估与分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文总结 | 第54-55页 |
| 5.2 未来工作展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表的学术成果 | 第63-64页 |
| 攻读硕士学位期间参加的科研项目 | 第64页 |