新型偏标记学习算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 引言 | 第9-11页 |
| 1.2 偏标记学习研究现状 | 第11-13页 |
| 1.2.1 辨识消歧 | 第11-12页 |
| 1.2.2 平均消歧 | 第12-13页 |
| 1.3 有待研究的问题 | 第13-14页 |
| 1.4 本文组织 | 第14-15页 |
| 第二章 基于k近邻的偏标记学习算法 | 第15-24页 |
| 2.1 k近邻偏标记学习算法 | 第15页 |
| 2.2 IPAL算法 | 第15-17页 |
| 2.3 实验 | 第17-23页 |
| 2.3.1 实验配置 | 第17-19页 |
| 2.3.2 UCI数据集 | 第19-22页 |
| 2.3.3 真实数据集 | 第22-23页 |
| 2.3.4 敏感性分析 | 第23页 |
| 2.4 小结 | 第23-24页 |
| 第三章 基于最大间隔的偏标记学习算法 | 第24-36页 |
| 3.1 最大间隔偏标记学习 | 第24-25页 |
| 3.2 M3PL算法 | 第25-30页 |
| 3.2.1 算法模型 | 第25-26页 |
| 3.2.2 交替优化 | 第26-29页 |
| 3.2.3 算法实现 | 第29-30页 |
| 3.3 实验结果 | 第30-35页 |
| 3.3.1 实验设置 | 第30页 |
| 3.3.2 UCI数据集 | 第30-33页 |
| 3.3.3 真实数据集 | 第33-35页 |
| 3.4 小结 | 第35-36页 |
| 第四章 基于非消歧的偏标记学习算法 | 第36-45页 |
| 4.1 二类分解分类器构造 | 第36页 |
| 4.2 PL-ECOC算法 | 第36-38页 |
| 4.3 实验结果 | 第38-43页 |
| 4.3.1 实验设置 | 第38-39页 |
| 4.3.2 UCI数据集 | 第39-41页 |
| 4.3.3 真实数据集 | 第41-42页 |
| 4.3.4 附加分析 | 第42-43页 |
| 4.4 小结 | 第43-45页 |
| 第五章 总结 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 附录 | 第50页 |
