摘要
第一章 绪论
1.1 人工智能
1.2 机器学习
1.2.1 有监督学习
1.2.2 无监督学习
1.2.3 半监督学习
1.3 图上的机器学习
1.3.1 点约束的图学习
1.3.2 边约束的图学习
1.4 本文的主要研究工作
1.4.1 贡献和创新
1.4.2 研究意义
1.4.3 文章组织
第二章 谱方法
2.1 聚类的图模型
2.2 图的构建
2.3 图的最优割
2.4 谱聚类算法
2.5 谱方法与随机游走的联系
2.6 结论
第三章 流形映射机分类框架
3.1 引言
3.2 支持向量机
3.2.1 线性支持向量机
3.2.2 非线性支持向量机
3.2.3 多分类问题
3.3 流形映射机
3.3.1 监督式流形映射
3.3.2 分类器构建
3.3.3 测试数据扩展
3.4 M3与流形学习的联系
3.4.1 等度规映射
3.4.2 局部线性嵌入
3.4.3 邻居维持嵌入
3.4.4 局部保持投影
3.5 结论
第四章 监督式谱空间分类器
4.1 引言
4.2 监督式谱空间分类器
4.2.1 监督式谱空间变换
4.2.2 分类器构建
4.2.3 测试数据扩展
4.2.4 行归一化
4.2.5 算法小结与时间复杂度分析
4.3 实验
4.3.1 人工数据集
4.3.2 真实数据集
4.3.3 参数讨论
4.3.4 单一模式与批量模式
4.4 结论
第五章 图上的标签传播算法
5.1 直推学习的图模型
5.2 标签传播算法
5.3 正则化框架
5.4 标签传播与随机游走的联系
5.5 总结
第六章 局部约束传播半监督聚类算法
6.1 引言
6.2 SCRAWL原型
6.2.1 算法演示
6.2.2 组件构建
6.2.3 组件聚类
6.3 SCRAWL算法
6.3.1 软组件的构建
6.3.2 自适应的约束传播
6.3.3 有限的组件数目
6.3.4 算法小结
6.4 实验
6.4.1 实验数据
6.4.2 实验设计
6.4.3 实验结果
6.5 结论
第七章 结束语
7.1 全文总结
7.2 工作展望
参考文献
致谢
在学期间的研究成果及发表的学术论文