| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论及背景知识 | 第11-28页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 本文的主要贡献与创新 | 第12-13页 |
| 1.3 背景知识与相关工作 | 第13-27页 |
| 1.3.1 主成分分析（PCA） | 第14-15页 |
| 1.3.2 局部线性嵌入（LLE） | 第15-16页 |
| 1.3.3 拉普拉斯特征映射（Laplacian eigenmaps） | 第16-17页 |
| 1.3.4 局部保留投影（LPP） | 第17-18页 |
| 1.3.5 LDA-over-LPP | 第18-19页 |
| 1.3.6 图嵌入及其扩展 | 第19-21页 |
| 1.3.7 稀疏表示和低秩表示 | 第21-24页 |
| 1.3.8 迁移学习与域适配 | 第24-27页 |
| 1.4 本论文的结构安排 | 第27-28页 |
| 第二章 基于稀疏表示的鲁棒子空间学习 | 第28-40页 |
| 2.1 稀疏子空间学习 | 第28-29页 |
| 2.2 多模态图像及多流形图构造 | 第29-32页 |
| 2.3 多流形稀疏图嵌入 | 第32-34页 |
| 2.4 多流形稀疏图嵌入算法性能评价 | 第34-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 基于低秩表示的鲁棒子空间学习 | 第40-62页 |
| 3.1 基于低秩表示的鲁棒子空间学习 | 第40-41页 |
| 3.2 基于低秩判别嵌入的多视角学习 | 第41-54页 |
| 3.3 基于图约束低秩表示的鲁棒视觉追踪 | 第54-60页 |
| 3.4 本章小结 | 第60-62页 |
| 第四章 基于鲁棒子空间的迁移学习 | 第62-97页 |
| 4.1 基于子空间的迁移学习 | 第62-63页 |
| 4.2 结构化迁移学习 | 第63-67页 |
| 4.3 基于特征选择和结构保留的迁移学习 | 第67-72页 |
| 4.4 局部和全局对齐的多源迁移学习 | 第72-81页 |
| 4.5 基于子空间的异构迁移学习 | 第81-95页 |
| 4.6 本章小结 | 第95-97页 |
| 第五章 基于鲁棒子空间学习策略的推荐系统 | 第97-109页 |
| 5.1 冷启动与长尾推荐 | 第97-98页 |
| 5.2 算法主要思想 | 第98-99页 |
| 5.3 方法建模 | 第99-101页 |
| 5.4 问题优化和分析 | 第101-103页 |
| 5.5 算法实验验证 | 第103-107页 |
| 5.6 本章小结 | 第107-109页 |
| 第六章 总结与展望 | 第109-112页 |
| 6.1 主要研究成果总结 | 第109-110页 |
| 6.2 未来工作展望 | 第110-112页 |
| 致谢 | 第112-113页 |
| 参考文献 | 第113-123页 |
| 攻博期间取得的研究成果 | 第123-125页 |