第1章 绪论
1.1 研究背景
1.2 研究现状
1.2.1 基于滤波的算法
1.2.2 基于模型调整的算法
1.2.3 主要问题
第2章 噪声标注情景下的传统学习方法
2.1 理论分析
2.1.1 DT算法
2.1.2 AdaBoost算法
2.1.3 Bagging算法
2.1.4 线性模型
2.1.5 KNN 算法
2.1.6 NB算法
2.2 实验分析
2.2.1 实验的设置与相关算法
2.2.2 二分类情景下的实验分析
2.2.3 多分类情景下的实验分析
2.3 本章小结
第3章 噪声标注情景下的通用建模方法
3.1 统计学习理论与风险函数
3.1.1 期望风险函数最小化准则
3.1.2 经验风险函数最小化准则
3.1.3 正则化经验风险函数最小化准则
3.2 噪声标注情景下的估计偏差与Importance Reweighting修正思想
3.2.1 Importance Reweighting修正思想
3.2.2 最优性定理
3.3 基于Importance Reweighting 思想的学习框架
3.4 本章小结
第4章 噪声率矩阵估计方法
4.1 噪声率矩阵与Importance Reweighting的关联
4.1.1 二分类情形下的关联
4.1.2 多分类情形下的关联
4.2 噪声率矩阵的研究现状
4.3 基于部分精准标注样本的 Back-End学习算法
4.3.1 Back-End学习算法
4.3.2 凸优化模型求解
4.4 基于完全噪声标注样本的RP算法与MRP算法
4.4.1 RP算法
4.4.2 MRP算法
4.5 Back-End算法与RP算法的实验分析
4.5.1 对照算法的原理
4.5.2 Back-End算法与RP算法的相关实验
4.6 本章小结
第5章 算法设计案例及应用分析
5.1 二分类情形
5.1.1 修正权值的计算
5.1.2 基于Importance Reweighting理论嵌入的SVM
5.2 多分类情形
5.2.1 Importance Reweighting思想的嵌入
5.2.2 基于Importance Reweighting思想的多分类学习模型
5.2.3 多类SVM的决策冲突消除
5.3 实验分析
5.3.1 仿真数据的演示
5.3.2 公测数据的实验分析
5.4 应用案例
5.4.1 实验背景与想定
5.4.2 实验数据的描述与任务
5.4.3 结论与分析
5.5 本章小结
第6章 展望
参考文献
附录
附录A 实验中噪声率矩阵估计核心代码
附录B 实验中CCN鲁棒学习算法核心代码
附录C 彩图
展开
