文摘
英文文摘
第一章 引言
1.1 半监督学习研究的背景
1.2 半监督学习基本原理与假设
1.2.1 聚类假设
1.2.2 流形假设
1.3 半监督学习常见方法
1.3.1 自训练方法
1.3.2 生成模型方法
1.3.3 基于信息不一致的方法
1.3.4 直推式支持向量机
1.3.5 基于图的方法
1.4 研究的意义
1.5 论文的组织结构
第二章 半监督增强框架的研究
2.1 半监督增强问题描述
2.2 分类器增强已有方法分析
2.2.1 迭代式半监督增强框架的描述
2.2.2 迭代式半监督增强框架的可行性分析
2.2.3 传统的置信度方法中存在的问题
2.3 基于独立置信度的半监督增强框架
2.3.1 基于独立置信度的半监督增强框架的描述
2.3.2 基于独立置信度的半监督增强框架正确性分析
2.3.3 基于独立置信度的半监督增强框架的优点
2.4 训练集更新方式研究
2.5 半监督增强问题的泛化
2.6 本章小结
第三章 基于图的半监督学习方法及相关问题分析
3.1 问题描述与基本思想
3.2 图的构造问题的分析
3.2.1 距离的度量
3.2.2 图的稀疏化
3.2.3 图权重的重新确定
3.3 几个重要的基于图的半监督学习方法
3.3.1 最小切方法
3.3.2 高斯混合场与谐波函数方法
3.3.3 基于局部和全局一致性的方法
3.3.4 流形正则化方法
3.3.5 交替最小化图直推方法
3.4 对于数据不平衡和噪声问题的处理
3.4.1 对于图的处理
3.4.2 对于正则化优化目标的处理
3.4.3 对于分类结果的处理
3.5 基于图的半监督学习相关问题总结
3.6 本章小结
第四章 独立的标记置信度的计算问题研究
4.1 基于图的半监督包装器方法
4.1.1 方法基础
4.1.2 详细算法描述
4.1.3 方法分析
4.2 基于梯度的置信度方法
4.2.1 方法基础
4.2.2 方法分析与详细算法描述
4.3 本章小结
第五章 基于独立置信度的半监督增强框架实验研究
5.1 实验数据集
5.1.1 跨膜蛋白质数据集
s.1.2 UCI基准数据集
5.2 实验基础设定
5.2.1 跨膜蛋白数据集实验设定
5.2.2 UCI基准数据集实验设定
5.3 实验结果与分析
5.3.1 跨膜蛋白数据集实验结果分析
5.3.2 UCI数据集半监督置信度方法比较
5.3.3 重训练方法对于半监督增强框架的影响研究
5.3.4 半监督增强框架与state-of-the-art的半监督学习方法效果比较
5.3.5 实验总结
5.4 相关问题研究与分析
5.4.1 置信度方法参数敏感度分析
5.4.2 半监督增强迭代次数的考虑
5.5 本章小节
第六章 总结与展望
6.1 论文总结
6.2 研究展望
致谢
参考文献
附录A 详细实验结果
UCI数据集重训练方法为LDA的实验结果
UCI数据集重训练方法为SDA的实验结果
附录B 攻读硕士学位期间完成的论文
东南大学;