| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.2 国内外研究的概况和发展趋势 | 第17-21页 |
| 1.2.1 基于特征分享的多任务学习方法 | 第17-19页 |
| 1.2.2 基于模型参数分享的多任务学习方法 | 第19页 |
| 1.2.3 基于深度学习的多任务学习方法 | 第19-20页 |
| 1.2.4 现有方法存在的问题 | 第20-21页 |
| 1.3 研究内容与研究方法 | 第21-23页 |
| 1.4 本文的结构安排和创新点 | 第23-25页 |
| 第2章 基于近似支持向量机的多任务学习方法 | 第25-39页 |
| 2.1 近似支持向量机 | 第26页 |
| 2.2 多任务近似支持向量机 | 第26-28页 |
| 2.3 针对数据不平衡的多任务近似支持向量机 | 第28-29页 |
| 2.4 拉格朗日乘子求解优化 | 第29-30页 |
| 2.5 多任务近似支持向量回归 | 第30-32页 |
| 2.6 实验部分 | 第32-36页 |
| 2.6.1 Landmine数据集 | 第32-34页 |
| 2.6.2 多任务图像分类 | 第34-36页 |
| 2.6.3 School数据集 | 第36页 |
| 2.7 本章小结 | 第36-39页 |
| 第3章 模型参数共享与特征共享联合学习的多任务学习方法 | 第39-55页 |
| 3.1 问题描述 | 第39-41页 |
| 3.2 等价的凸优化问题 | 第41页 |
| 3.3 优化算法 | 第41-43页 |
| 3.4 理论分析 | 第43-47页 |
| 3.5 实验部分 | 第47-53页 |
| 3.5.1 School数据集 | 第48-50页 |
| 3.5.2 SARCOS数据集 | 第50页 |
| 3.5.3 Isolet数据集 | 第50-51页 |
| 3.5.4 方法的敏感度分析 | 第51-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第4章 基于特征函数的多任务学习方法 | 第55-69页 |
| 4.1 特征函数求解 | 第56-57页 |
| 4.2 基于特征函数的多任务学习方法 | 第57-58页 |
| 4.3 优化算法 | 第58-59页 |
| 4.4 理论分析 | 第59-63页 |
| 4.5 实验部分 | 第63-68页 |
| 4.5.1 school数据集 | 第64页 |
| 4.5.2 Computer数据集 | 第64-65页 |
| 4.5.3 Isolet数据集 | 第65-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第5章 多任务学习的拓展 | 第69-93页 |
| 5.1 基于神经网络分类与特征学习的多任务学习方法 | 第69-76页 |
| 5.1.1 样本对(pair-wise)约束 | 第70-72页 |
| 5.1.2 基于分类与特征学习的网络框架图 | 第72-73页 |
| 5.1.3 实验部分 | 第73-76页 |
| 5.2 基于域自适应的多任务学习方法 | 第76-91页 |
| 5.2.1 域自适应学习(Domain Generalization) | 第79页 |
| 5.2.2 域的散度 | 第79-81页 |
| 5.2.3 方法实现 | 第81-84页 |
| 5.2.4 条件概率不变的对抗网络 | 第84-85页 |
| 5.2.5 学习过程 | 第85-86页 |
| 5.2.6 实验部分 | 第86-91页 |
| 5.3 本章小结 | 第91-93页 |
| 第6章 总结与展望 | 第93-95页 |
| 参考文献 | 第95-101页 |
| 致谢 | 第101-103页 |
| 在读期间发表的学术论文与取得的研究成果 | 第103-104页 |
