统计学习中回归与正则化谱聚类算法的研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-11页 |
| 第1章 学习理论的基本框架 | 第11-23页 |
| ·学习理论的主要问题 | 第11-12页 |
| ·核方法介绍 | 第12-18页 |
| ·再生核希尔伯特空间的基本理论 | 第12-14页 |
| ·标准的基于核的监督学习算法 | 第14-16页 |
| ·正则化谱聚类算法 | 第16-18页 |
| ·在样本依赖假设空间的学习 | 第18-19页 |
| ·容量依赖与容量独立 | 第19-20页 |
| ·无界情形下的学习 | 第20-21页 |
| ·含噪音抽样的逼近算子 | 第21-22页 |
| ·本论文的概括 | 第22-23页 |
| 第2章 无界输出样本的回归问题 | 第23-36页 |
| ·基于核函数的学习算法框架 | 第23-24页 |
| ·有关RHKS的性质和假设 | 第24-26页 |
| ·主要结果 | 第26-27页 |
| ·基于积分算子的误差分析 | 第27-32页 |
| ·样本误差估计 | 第27-32页 |
| ·在Η_κ的学习阶 | 第32-36页 |
| ·在L_(ρχ)~2的学习阶 | 第33-36页 |
| 第3章 带l~1正则化的谱聚类一致性 | 第36-53页 |
| ·谱聚类框架 | 第36-40页 |
| ·正则化谱聚类算法 | 第37-38页 |
| ·误差分解与逼近误差估计 | 第38-40页 |
| ·假设误差估计 | 第40-46页 |
| ·样本误差估计 | 第46-51页 |
| ·整体误差和学习阶 | 第51-53页 |
| 第4章 以逼近论角度研究学习理论 | 第53-67页 |
| ·背景和学习算法 | 第53-54页 |
| ·两个典型例子 | 第54-56页 |
| ·一般情形 | 第56页 |
| ·误差分析 | 第56-60页 |
| ·样本误差估计 | 第56-58页 |
| ·逼近误差估计 | 第58-60页 |
| ·关于Bernstein基的例子 | 第60-63页 |
| ·Jackson核情形 | 第63-67页 |
| 参考文献 | 第67-75页 |
| 致谢 | 第75-77页 |
| 在读期间发表的学术论文与取得的研究成果 | 第77页 |
