| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 引言 | 第8-11页 |
| 第1章 错误界理论及机器学习算法统计特性研究综述 | 第11-16页 |
| 1.1 机器学习概述 | 第11页 |
| 1.2 泛化误差界理论基础和研究现状 | 第11-14页 |
| 1.2.1 基于统计学习理论的泛化误差界 | 第12-13页 |
| 1.2.2 基于算法自身性能的泛化误差界 | 第13-14页 |
| 1.3 域自适应回归学习概述 | 第14页 |
| 1.4 在线学习概述 | 第14-15页 |
| 1.5 总结 | 第15-16页 |
| 第2章 域自适应回归模型的Rademacher复杂度边界 | 第16-33页 |
| 2.1 域自适应回归模型表示及求解 | 第17-19页 |
| 2.1.1 学习场景设定 | 第17-19页 |
| 2.1.2 分布间距离 | 第19页 |
| 2.2 基于覆盖数的边界和泛化误差 | 第19-25页 |
| 2.2.1 覆盖数的理论分析 | 第19-20页 |
| 2.2.2 基于H的1d覆盖数的源域误差上界 | 第20-25页 |
| 2.3 基于Rademacher复杂度的边界和泛化误差 | 第25-30页 |
| 2.4 域自适应学习误差界 | 第30-32页 |
| 2.5 总结 | 第32-33页 |
| 第3章 基于自适应控制理论的在线学习算法 | 第33-64页 |
| 3.1 在线学习模型表示及基本算法 | 第35-40页 |
| 3.2 AC算法 | 第40-49页 |
| 3.2.1 时变模型系统 | 第40-42页 |
| 3.2.2 时变参考模型系统 | 第42-43页 |
| 3.2.3 参考模型系统的自适应规则 | 第43-46页 |
| 3.2.4 权向量自适应规则 | 第46-49页 |
| 3.3 求解误差损失上界 | 第49-51页 |
| 3.4 总累积损失上界的比较 | 第51-54页 |
| 3.5 实验结果与讨论 | 第54-63页 |
| 3.5.1 数据集 | 第54-55页 |
| 3.5.2 不同学习率的AC算法的性能比较 | 第55-58页 |
| 3.5.3 AC,GD和EG算法的性能比较 | 第58-63页 |
| 3.6 总结 | 第63-64页 |
| 第4章 迁移专家场景中的在线学习算法 | 第64-87页 |
| 4.1 在线专家迁移学习模型表示及损失上界求解 | 第66-73页 |
| 4.1.1 学习场景设定 | 第66-68页 |
| 4.1.2 损失上界求解 | 第68-73页 |
| 4.2 学习率η 的设定 | 第73-76页 |
| 4.3 结合 4.2 的学习率求解新的后悔函数上界 | 第76-83页 |
| 4.4 实验结果及分析 | 第83-86页 |
| 4.5 总结 | 第86-87页 |
| 第5章 结论与展望 | 第87-89页 |
| 参考文献 | 第89-94页 |
| 附录A 在校期间研究成果 | 第94-95页 |
| 致谢 | 第95页 |
