| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 插图 | 第8-9页 |
| 表格 | 第9-12页 |
| 1 绪论 | 第12-18页 |
| 1.1 多任务学习方法的背景介绍 | 第12-13页 |
| 1.2 现有方法的不足和解决问题的技术路线 | 第13-14页 |
| 1.3 相关研究工作和技术进展 | 第14-16页 |
| 1.4 本文主要内容和结构 | 第16-18页 |
| 2 矩阵广义逆高斯分布及其统计量的计算 | 第18-27页 |
| 2.1 矩阵广义逆高斯(MGIG)分布的介绍 | 第18-19页 |
| 2.2 MGIG分布混合模型性质的讨论 | 第19-21页 |
| 2.3 MGIG分布统计量的采样计算 | 第21-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 GMGIG模型在多任务学习中的应用 | 第27-40页 |
| 3.1 GMGIG模型和GMGIG回归模型 | 第28-29页 |
| 3.2 GMGIG回归模型的推断 | 第29-31页 |
| 3.3 单边GMGIG回归模型 | 第31页 |
| 3.4 GMGIG回归模型在偏最小二乘回归问题上的退化应用 | 第31-34页 |
| 3.5 实验验证及讨论 | 第34-39页 |
| 3.6 本章小结 | 第39-40页 |
| 4 具备连接结构的多任务关系学习 | 第40-54页 |
| 4.1 贝叶斯多任务关系学习 | 第40-43页 |
| 4.2 具备连接结构的贝叶斯多任务学习 | 第43-46页 |
| 4.3 实验验证及讨论 | 第46-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 进一步工作展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录A：偏最小二乘回归(PLS)方法 | 第61-63页 |
| 附录B：式(3.11 )的证明 | 第63-64页 |
| 附录C：SPPLS归模型的参数更新 | 第64-67页 |
| 发表文章目录 | 第67页 |