第1章 緒論
1.1 引言
1.2 國內外相關研究現狀
1.2.1 基于圖論的無監督學習
1.2.2 基于圖論的半監督學習
1.2.3 基于圖論的監督學習
1.2.4 圖構建方法
1.2.5 基于圖論的學習方法拓展
1.2.6 研究現狀評述
1.3 本書的主要工作
1.3.1 針對的問題和研究思路
1.3.2 研究內容及貢獻
1.4 本書的組織結構
第2章 基于圖論的學習框架模型
2.1 引言
2.2 基于圖論的學習與兩種假設
2.2.1 流形假設
2.2.2 聚類假設
2.3 圖的劃分準則
2.3.1 2類劃分
2.3.2 多類劃分
2.4 基于圖論的學習框架模型
2.4.1 問題描述與基本假設
2.4.2 約束條件放寬方法
2.4.3 模型分析
2.5 本章小結
第3章 基于圖論的無監督學習
3.1 引言
3.2 基本問題描述與模型定義
3.2.1 基于圖論的無監督學習問題描述
3.2.2 模型定義
3.3 基于圖論的無監督學習算法框架
3.3.1 Logdet正則化
3.3.2 學習框架
3.4 基于圖論的無監督學習算法
3.4.1 迭代法
3.4.2 算法收斂性
3.4.3 復雜度分析
3.5 與以往工作之間的區別和聯系
3.5.1 核k均值，譜聚類和對稱非負矩陣分解
3.5.2 解的非負性，維度和稀疏性
3.5.3 權重矩陣
3.6 實驗結果與分析
3.6.1 實驗說明
3.6.2 示例
3.6.3 真實數據集
3.6.4 聚類結果
3.6.5 算法分析
3.6.6 CAC的變形
3.7 本章小結
第4章 基于圖論的半監督學習
4.1 引言
4.2 基本問題描述與模型定義
4.2.1 基于圖論的半監督分類學習
4.2.2 基于圖論的半監督聚類學習
4.3 基于圖論的半監督學習算法
4.3.1 基于圖論的半監督分類算法
4.3.2 基于圖論的半監督聚類算法
4.4 與以往工作的區別和聯系
4.4.1 LGC方法和GFHF方法
4.4.2 GGMC方法
4.5 實驗結果與分析
4.5.1 實驗說明
4.5.2 真實數據集
4.5.3 構建權重矩陣
4.5.4 半監督分類結果
4.5.5 半監督聚類結果
4.5.6 算法分析
4.6 本章小結
第5章 基于圖論的監督學習
5.1 引言
5.2 基本問題描述與模型定義
5.2.1 基于圖論的監督學習問題描述
5.2.2 模型定義
5.3 基本圖論的監督學習算法
5.4 實驗結果與分析
5.4.1 實驗說明
5.4.2 真實數據集
5.4.3 分類結果
5.4.4 算法分析
5.4.5 稀疏約束拓展
5.5 本章小結
第6章 基于圖論的協同正則化學習
6.1 引言
6.2 基本問題描述與模型定義
6.2.1 基于圖論的無監督協同正則化學習問題描述
6.2.2 基于圖論的半監督協同正則化學習問題描述
6.2.3 模型定義
6.3 基本圖論的協同正則化學習算法
6.3.1 基于圖論的協同正則化學習算法框架
6.3.2 基于圖論的協同正則化學習算法
6.4 實驗結果與分析
6.4.1 實驗說明
6.4.2 數據集
6.4.3 聚類結果
6.4.4 算法分析
6.5 本章小結
第7章 基于圖論的多重正則化學習
7.1 引言
7.2 基本問題描述與模型定義
7.2.1 基于圖論的多重正則化學習問題描述
7.2.2 模型定義
7.3 基本圖論的無監督多重正則化學習算法
7.3.1 基于圖論的無監督多重正則化學習算法框架
7.3.2 基于圖論的無監督多重正則化學習算法
7.3.3 算法收斂性
7.3.4 復雜度分析
7.4 基本圖論的半監督多重正則化學習算法
7.4.1 基于圖論的半監督多重正則化聚類學習算法
7.4.2 基于圖論的半監督多重正則化分類學習算法
7.4.3 算法分析
7.5 與以往工作的區別和聯系
7.6 實驗結果與分析
7.6.1 實驗說明
7.6.2 示例
7.6.3 真實數據集
7.6.4 實驗結果
7.6.5 算法分析
7.6.6 模型變形
7.7 本章小結
第8章 基于圖論的公共視頻場景聚集性度量及分析
8.1 引言
8.2 公共視頻中群體場景的聚集性度量和分析框架
8.2.1 聚集度主題
8.2.2 研究思路和框架
8.3 公共視頻中群體場景的聚集性度量和場景劃分
8.3.1 路徑積分描述子
8.3.2 聚集度
8.3.3 自驅動粒子模型實驗
8.3.4 場景劃分方法
8.4 實驗結果與分析
8.4.1 實驗說明
8.4.2 數據集
8.4.3 實驗結果
8.5 本章小結
參考文獻