噪聲標注條件下機器學習分類方法

第1章 緒論
1.1 研究背景
1.2 研究現(xiàn)狀
1.2.1 基于濾波的算法
1.2.2 基于模型調(diào)整的算法
1.2.3 主要問題
第2章 噪聲標注情景下的傳統(tǒng)學習方法
2.1 理論分析
2.1.1 DT算法
2.1.2 AdaBoost算法
2.1.3 Bagging算法
2.1.4 線性模型
2.1.5 KNN 算法
2.1.6 NB算法
2.2 實驗分析
2.2.1 實驗的設置與相關算法
2.2.2 二分類情景下的實驗分析
2.2.3 多分類情景下的實驗分析
2.3 本章小結(jié)
第3章 噪聲標注情景下的通用建模方法
3.1 統(tǒng)計學習理論與風險函數(shù)
3.1.1 期望風險函數(shù) 小化準則
3.1.2 經(jīng)驗風險函數(shù) 小化準則
3.1.3 正則化經(jīng)驗風險函數(shù) 小化準則
3.2 噪聲標注情景下的估計偏差與Importance Reweighting修正思想
3.2.1 Importance Reweighting修正思想
3.2.2 性定理
3.3 基于Importance Reweighting 思想的學習框架
3.4 本章小結(jié)
第4章 噪聲率矩陣估計方法
4.1 噪聲率矩陣與Importance Reweighting的關聯(lián)
4.1.1 二分類情形下的關聯(lián)
4.1.2 多分類情形下的關聯(lián)
4.2 噪聲率矩陣的研究現(xiàn)狀
4.3 基于部分精準標注樣本的 Back-End學習算法
4.3.1 Back-End學習算法
4.3.2 凸優(yōu)化模型求解
4.4 基于 噪聲標注樣本的RP算法與MRP算法
4.4.1 RP算法
4.4.2 MRP算法
4.5 Back-End算法與RP算法的實驗分析
4.5.1 對照算法的原理
4.5.2 Back-End算法與RP算法的相關實驗
4.6 本章小結(jié)
第5章 算法設計案例及應用分析
5.1 二分類情形
5.1.1 修正權值的計算
5.1.2 基于Importance Reweighting理論嵌入的SVM
5.2 多分類情形
5.2.1 Importance Reweighting思想的嵌入