基于机器学习的数据补全、标注和检索若干问题研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第15-29页 |
| 1.1 研究背景 | 第15-17页 |
| 1.1.1 数据补全 | 第15页 |
| 1.1.2 数据标注 | 第15-16页 |
| 1.1.3 数据理解 | 第16页 |
| 1.1.4 数据检索 | 第16-17页 |
| 1.2 国内外相关工作 | 第17-25页 |
| 1.2.1 数据补全 | 第17-19页 |
| 1.2.2 数据标注 | 第19-20页 |
| 1.2.3 数据理解 | 第20-24页 |
| 1.2.4 数据检索 | 第24-25页 |
| 1.3 本文研究内容和主要贡献 | 第25-26页 |
| 1.4 论文各章节的组织结构 | 第26-29页 |
| 2 基于截断式核范数的矩阵补全 | 第29-51页 |
| 2.1 研究动机 | 第29页 |
| 2.2 截断式核范数正则化 | 第29-32页 |
| 2.2.1 记号 | 第29-30页 |
| 2.2.2 目标函数推导 | 第30-32页 |
| 2.3 优化算法 | 第32-37页 |
| 2.3.1 基于ADMM的优化 | 第34-35页 |
| 2.3.2 基于APGL的优化 | 第35-37页 |
| 2.4 实验结果 | 第37-50页 |
| 2.4.1 合成数据集实验 | 第37-39页 |
| 2.4.2 真实视觉数据集的实验 | 第39-44页 |
| 2.4.3 事件矩阵恢复实验 | 第44-50页 |
| 2.5 总结 | 第50-51页 |
| 3 基于核空间非线性距离敏感重构的主动学习 | 第51-71页 |
| 3.1 研究动机 | 第51-53页 |
| 3.1.1 记号 | 第51页 |
| 3.1.2 相关工作 | 第51-53页 |
| 3.2 线性距离敏感重构的基本思路 | 第53-57页 |
| 3.2.1 目标函数 | 第53-54页 |
| 3.2.2 线性距离敏感重构的求解 | 第54-57页 |
| 3.3 贪心序列式选择算法 | 第57-59页 |
| 3.4 核空间非线性主动学习 | 第59-63页 |
| 3.5 复杂度分析 | 第63页 |
| 3.6 实验 | 第63-69页 |
| 3.6.1 对比方法 | 第63-65页 |
| 3.6.2 简单的合成数据集实验 | 第65-66页 |
| 3.6.3 真实数据集 | 第66-67页 |
| 3.6.4 结果 | 第67-69页 |
| 3.6.5 参数选择 | 第69页 |
| 3.7 总结 | 第69-71页 |
| 4 基于数据结构和哈希投影的近邻检索框架 | 第71-85页 |
| 4.1 研究动机 | 第71-72页 |
| 4.2 综合近似近邻检索框架 | 第72-75页 |
| 4.2.1 算法 | 第72-74页 |
| 4.2.2 复杂度分析 | 第74-75页 |
| 4.3 实验 | 第75-83页 |
| 4.3.1 比较的算法 | 第75-79页 |
| 4.3.2 实验数据集 | 第79-80页 |
| 4.3.3 算法评估 | 第80页 |
| 4.3.4 参数选择 | 第80-81页 |
| 4.3.5 结果 | 第81-83页 |
| 4.4 总结 | 第83-85页 |
| 5 总结与展望 | 第85-89页 |
| 5.1 本文工作总结 | 第85-86页 |
| 5.2 未来工作展望 | 第86-89页 |
| 参考文献 | 第89-97页 |
| 攻读博士学位期间主要的研究成果 | 第97-99页 |
| 致谢 | 第99页 |
