本书原创性地提出了标记增强这一概念，从0/1标记标注的训练数据中恢复出标记分布，通过连续的“描述度”来显式表达每个标记与数据对象的关联强度，使得预测模型可以在更为丰富的监督信息下进行训练，不仅为扩展标记分布学习范式的适用性提供有力支撑，而且对于探索类别监督信息的本质具有重要意义。 本书构建了标记增强基础理论框架，包括标记分布的内在生成机制、标记增强所得标记分布的质量评价机制以及标记增强后学习系统的泛化性能提升机制，并且设计了面向标记增强的专用算法，进而将标记增强应用到既有学习范式上，为解决传统学习问题提供了新思路。 本书适合机器学习领域的工程技术人员、高等院校相关专业研究生以及教师阅读。

丛书序
推荐序Ⅰ
推荐序Ⅱ
导师序
摘要
ABSTRACT
第1章 绪论
1.1 研究背景
1.2 标记增强简介
1.3 研究内容
1.4 组织结构
第2章 标记增强研究进展
2.1 引言
2.2 多标记学习
2.2.1 学习任务
2.2.2 学习方法
2.2.3 评价指标
2.3 标记分布学习
2.3.1 学习任务
2.3.2 学习方法
2.3.3 评价指标
2.4 标记增强
2.4.1 基于先验知识的标记增强
2.4.2 基于模糊方法的标记增强
2.4.3 基于图的标记增强
第3章 标记增强理论框架
3.1 引言
3.2 标记分布内在生成机制
3.3 标记分布质量评价
3.4 标记增强对分类器泛化性能的提升
3.5 实验结果与分析
3.5.1 标记分布恢复实验
3.5.2 消融实验
3.6 本章小结
第4章 面向标记分布学习的标记增强
4.1 引言
4.2 GLLE方法
4.2.1 优化框架
4.2.2 拓扑空间结构的引入
4.2.3 标记相关性的利用
4.2.4 优化策略
4.3 实验结果与分析
4.3.1 标记分布恢复实验
4.3.2 标记分布学习实验
4.3.3 标记相关性验证
4.4 本章小结
第5章 标记增强在其他学习问题上的应用
5.1 引言
5.2 多标记学习
5.2.1 LEMLL方法
5.2.2 实验结果与分析
5.3 偏标记学习
5.3.1 PLLE方法
5.3.2 实验结果与分析
5.4 本章小结
第6章 总结与展望
6.1 总结
6.2 下一步研究的方向
参考文献
致谢
攻读博士学位期间的研究成果和获奖情况
丛书跋