| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-28页 |
| 1.1 课题背景 | 第15-21页 |
| 1.1.1 标签学习中的两个关键问题 | 第15-19页 |
| 1.1.2 解决标签学习中两个关键问题的思路 | 第19-21页 |
| 1.2 相关研究工作及技术发展 | 第21-26页 |
| 1.2.1 未标注数据在分类算法中的利用 | 第21-22页 |
| 1.2.2 不完整标签学习和噪声标签学习 | 第22-23页 |
| 1.2.3 多标签分类算法 | 第23-25页 |
| 1.2.4 多标签空间学习和多视图空间学习 | 第25-26页 |
| 1.3 本文主要内容及结构 | 第26-28页 |
| 第2章 半监督关联型分层狄利克雷过程 | 第28-48页 |
| 2.1 问题概述 | 第28-29页 |
| 2.2 本章用到的数学表示和符号 | 第29-30页 |
| 2.3 正样本和未标注样本中的半监督学习 | 第30-31页 |
| 2.4 关联型分层狄利克雷过程(Corr-HDP) | 第31-33页 |
| 2.5 半监督关联型分层狄利克雷过程(SSC-HDP) | 第33-35页 |
| 2.6 参数估计 | 第35-40页 |
| 2.6.1 更新q中参数γ,Φ_n,λ_m(E-step) | 第36-38页 |
| 2.6.2 更新参数Φ_z~b和Φ_z~w(M-step) | 第38-39页 |
| 2.6.3 更新最顶层参数β | 第39页 |
| 2.6.4 更新先验并作出预测 | 第39-40页 |
| 2.7 实验验证及讨论 | 第40-47页 |
| 2.7.1 数据及参数设定 | 第40-41页 |
| 2.7.2 实验结果及讨论 | 第41-47页 |
| 2.8 本章小结 | 第47-48页 |
| 第3章 多标签空间的噪声标签学习 | 第48-69页 |
| 3.1 问题概述 | 第48-49页 |
| 3.2 本章用到的数学表示和符号 | 第49-50页 |
| 3.3 多标签空间中一种新型的距离度量方法 | 第50-53页 |
| 3.4 多标签柔性支持向量机 | 第53-54页 |
| 3.5 多标签约束支持向量机 | 第54-55页 |
| 3.6 多标签二视图支持向量机 | 第55-58页 |
| 3.7 实验验证及讨论 | 第58-68页 |
| 3.7.1 数据及参数设定 | 第58-59页 |
| 3.7.2 实验结果及讨论 | 第59-68页 |
| 3.8 本章小结 | 第68-69页 |
| 第4章 跨媒体多视图非完美标签学习算法 | 第69-91页 |
| 4.1 问题概述 | 第69-70页 |
| 4.2 本章用到的数学表示和符号 | 第70页 |
| 4.3 多视图非完美标签学习算法整体构架 | 第70-73页 |
| 4.4 核心分类器：MSS-2K | 第73-76页 |
| 4.5 校正后验概率 | 第76-77页 |
| 4.6 加权训练数据 | 第77-78页 |
| 4.7 实验验证及讨论 | 第78-90页 |
| 4.7.1 数据及参数设定 | 第78-79页 |
| 4.7.2 实验结果及讨论 | 第79-90页 |
| 4.8 本章小结 | 第90-91页 |
| 第5章 已标注数据有限且有噪声的标签学习 | 第91-111页 |
| 5.1 问题概述 | 第91-92页 |
| 5.2 本章用到的数学表示和符号 | 第92页 |
| 5.3 正则化风险函数 | 第92-94页 |
| 5.4 半参数正则化学习 | 第94-98页 |
| 5.4.1 半参数正则化 | 第94-95页 |
| 5.4.2 学习参数化函数 | 第95-97页 |
| 5.4.3 半参数正则化支持向量机 | 第97-98页 |
| 5.5 多标签约束半参数正则化学习 | 第98-101页 |
| 5.5.1 多标签约束半参数正则化 | 第98-99页 |
| 5.5.2 多标签约束半参数正则化支持向量机 | 第99-101页 |
| 5.6 实验验证及讨论 | 第101-109页 |
| 5.6.1 数据及参数设定 | 第101-102页 |
| 5.6.2 实验结果及讨论 | 第102-109页 |
| 5.7 本章小结 | 第109-111页 |
| 第6章 总结与展望 | 第111-114页 |
| 6.1 本文工作的总结 | 第111-112页 |
| 6.2 未来工作展望 | 第112-114页 |
| 参考文献 | 第114-124页 |
| 攻读博士学位期间主要的研究成果 | 第124-125页 |
| 致谢 | 第125页 |
