第1章 绪论 1
1.1 研究背景和意义 1
1.2 国内外研究现状 2
1.3 研究内容和方法 9
参考文献 9
第2章 生成模型 12
2.1 贝叶斯决策理论 12
2.2 密度函数参数估计 16
2.3 半监督混合模型 19
2.4 半监督混合模型的应用和优缺点分析 23
参考文献 25
第3章 协同训练算法 26
3.1 视图 26
3.2 协同训练 27
3.3 协同训练相关理论 29
3.4 多视协同训练方法 37
3.5 协同训练方法的应用和优缺点分析 41
参考文献 42
第4章 基于图的半监督学习方法 45
4.1 图 45
4.2 标记传递算法 47
4.3 最小切 49
4.4 调和函数 50
4.5 流形正则化框架 54
4.6 基于图的半监督学习方法的应用以及优缺点分析 56
参考文献 56
第5章 半监督支持向量机 58
5.1 支持向量机简介 58
5.2 半监督支持向量机简介 62
5.3 半监督支持向量机的求解 66
5.4 半监督支持向量机的应用以及优缺点分析 67
参考文献 68
第6章 哈希图半监督学习方法及其在图像分割中的应用 70
6.1 基于图的半监督学习方法在图像分割中的应用 70
6.2 哈希图半监督学习方法及其在图像分割中的应用 75
6.3 本章小结 83
参考文献 84
第7章 归一化图半监督学习方法及其在个人信用评估中的应用 86
7.1 不均衡问题对图半监督学习方法的影响 86
7.2 归一化图半监督学习方法 88
7.3 基于归一化图半监督学习的个人信用评估方法 90
7.4 本章小结 94
参考文献 94
第8章 多标记半监督学习方法 96
8.1 多标记半监督学习方法提出背景 96
8.2 希尔伯特－施密特独立性度量 98
8.3 最大化依赖性多标记半监督学习方法 99
8.4 正则依赖性多标记半监督学习方法 101
8.5 实验 104
8.6 本章小结 107
参考文献 107
第9章 正例半监督学习方法及其在图像分割中的应用 110
9.1 正例半监督学习的定义 110
9.2 正例半监督学习的应用 111
9.3 正例半监督学习的相关理论基础 112
9.4 朴素贝叶斯－期望最大化正例半监督学习方法 116
9.5 正例图半监督学习图像分割方法 119
参考文献 123
第10章 总结与展望 126
10.1 工作总结 126
10.2 展望 127