| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-12页 |
| 第1章 绪论 | 第12-20页 |
| ·多视图学习的研究现状与挑战 | 第12-17页 |
| ·不同任务的多视图学习算法 | 第13-16页 |
| ·适用于不同场景的多视图学习算法 | 第16-17页 |
| ·本文研究工作 | 第17-20页 |
| ·贡献与创新 | 第18-19页 |
| ·论文结构安排 | 第19-20页 |
| 第2章 Co‐metric：一种多视图的度量学习算法 | 第20-37页 |
| ·引言 | 第20-21页 |
| ·本章所使用的数学符号 | 第21页 |
| ·相关工作介绍 | 第21-22页 |
| ·Co‐metric 算法框架 | 第22-26页 |
| ·Co‐metric | 第25-26页 |
| ·实验 | 第26-35页 |
| ·基度量学习器 | 第26页 |
| ·在鸢尾花数据集上的示例 | 第26-29页 |
| ·Co‐metric 算法的性能测试 | 第29-35页 |
| ·本章小结 | 第35-36页 |
| 本章部分内容出自一下论文 | 第36-37页 |
| 第3章 一种通过同时对齐先验和后验概率学习跨域度量的算法 | 第37-51页 |
| ·引言 | 第37-38页 |
| ·跨异质域的度量学习 | 第38-43页 |
| ·问题描述和符号 | 第38-39页 |
| ·数学模型刻画 | 第39-40页 |
| ·优化 | 第40-42页 |
| ·核化 | 第42-43页 |
| ·相关工作介绍 | 第43-44页 |
| ·实验 | 第44-49页 |
| ·基线算法 | 第44-45页 |
| ·在两维和三维域中的可视化展示 | 第45-46页 |
| ·在多语言路透数据集上的实验 | 第46-48页 |
| ·跨域的目标识别实验 | 第48-49页 |
| ·总结 | 第49-50页 |
| 本章部分内容出自一下论文 | 第50-51页 |
| 第4章 利用跨视图的 must‐link 和 cannot‐link 辅助信息的多视图分类 | 第51-67页 |
| ·引言 | 第51-52页 |
| ·在 CvML 和 CvCL 监督下的多视图学习 | 第52-57页 |
| ·利用 CvML 和 CvCL 信息学习符号分类器 | 第53-54页 |
| ·优化 | 第54-56页 |
| ·确定符号标号的真实标号 | 第56页 |
| ·和协同正则化 Co‐regularization 算法的比较 | 第56-57页 |
| ·实验 | 第57-64页 |
| ·数据集描述 | 第57-58页 |
| ·RLSCVMC 的性能 | 第58-61页 |
| ·参数研究 | 第61-64页 |
| ·和 Co‐RLS 的性能比较 | 第64页 |
| ·总结和未来的工作 | 第64-65页 |
| ·附录 | 第65-66页 |
| 本章部分内容出自以下论文 | 第66-67页 |
| 第5章 通过单视图上的聚类结构同时学习聚类和分类 | 第67-87页 |
| ·引言 | 第67-69页 |
| ·SCC 算法介绍 | 第69-70页 |
| ·通过数据的 CSR 来同时学习分类和聚类 | 第70-76页 |
| ·本章所用数学符号 | 第71页 |
| ·聚类结构表示 CSR | 第71页 |
| ·SC 3SR 算法 | 第71-73页 |
| ·优化 | 第73页 |
| ·投影到概率单纯形 | 第73-74页 |
| ·SC 3SR 的时间复杂度 | 第74-75页 |
| ·SemiSC 3SR 算法 | 第75-76页 |
| ·核化SC 3SR 和SemiSC 3SR | 第76页 |
| ·实验 | 第76-83页 |
| ·在人工数据集上的聚类学习 | 第76-77页 |
| ·检查聚类的有效性 | 第77-79页 |
| ·检查分类的有效性 | 第79-81页 |
| ·SC 3SR 和 SCC 的时间复杂性比较 | 第81-82页 |
| ·SemiSC 3SR 的分类性能 | 第82-83页 |
| ·总结 | 第83页 |
| ·附录 | 第83-86页 |
| ·SC 3SR 中使用的梯度和 Hessian | 第83-85页 |
| ·SemiSC 3SR 中使用的梯度和 Hessian 矩阵 | 第85-86页 |
| 本章部分内容出自以下论文 | 第86-87页 |
| 第6章 总结与展望 | 第87-89页 |
| 参考文献 | 第89-97页 |
| 致谢 | 第97-98页 |
| 在学期间的研究成果及发表的学术论文 | 第98页 |
