本书以已有的多视角学习理论与方法为基础，以多视角学习两原则为指导，以很优化理论与方法为工具，系统地构建新的理论框架，并在此框架下进行一系列的模型与算法研究。这些研究具有重要的理论意义与应用价值。本书研究内容丰富，不仅可作为理工类、管理学等专业对机器学习、数据挖掘等领域感兴趣的高年级本科生、研究生和教师的教材或教学参考书，也可供相关领域的科研人员和对本领域知识有兴趣的读者阅读参考。

《多视角学习理论与算法》以已有的多视角学习理论与方法为基础，以多视角学习两原则为指导，以化理论与方法为工具，系统地构建新的理论框架，并在此框架下进行一系列的模型与算法研究，主要内容包括：两视角支持向量机、基于 Coupling 损失的两视角支持向量机、多视角支持向量机、多视角非平行支持向量机以及半监督两视角支持向量机。《多视角学习理论与算法》所提模型丰富和完善多视角学习的理论研究和方法体系，为多视角学习提供新思路和新模型。这些研究具有重要的理论意义与应用价值。《多视角学习理论与算法》研究内容丰富，不仅可作为理工类、管理学等专业对机器学习、数据挖掘等领域感兴趣的高年级本科生、研究生和教师的教材或教学参考书，也可供相关领域的科研人员和对本领域知识有兴趣的读者阅读参考。

1 绪论
1．1 研究背景及意义
1．2 国内外研究现状
1．2．1 协同训练
1．2．2 多核学习
1．2．3 子空间学习
1．3 主要研究内容
1．4 组织结构
2 相关概念及算法介绍
2．1 基于特权信息的学习范式
2．1．1 SVM+原始问题
2．1．2 SVM+对偶问题
2．1．3 SVMΔ+原始问题
2．2 非平行支持向量机
2．2．1 线性非平行支持向量机
2．2．2 非线性非平行支持向量机
2．3 拉普拉斯支持向量机
3 两视角支持向量机
3．1 模型及求解算法
3．1．1 原始问题
3．1．2 对偶问题
3．1．3 求解算法
3．1．4 关于模型的讨论
3．2 理论分析
3．2．1 一致性分析
3．2．2 泛化误差界分析
3．2．3 与 SVM-2K的比较
3．3 数值实验
3．3．1 数据准备与实验设置
3．3．2 实验结果及分析
3．3．3 参数敏感性分析
3．4 本章小结
4 基于Coupling损失的两视角支持向量机
4．1 模型及求解算法
4．1．1 原始问题
4．1．2 对偶问题
4．1．3 求解算法
4．2 理论分析
4．3 数值实验
4．3．1 数据准备与实验设置
4．3．2 实验结果及分析
4．3．3 参数敏感性分析
4．3．4 关于Coupling损失的分析
4．4 本章小结
5 多视角支持向量机
5．1 模型及求解算法
5．1．1 原始问题
5．1．2 对偶问题
5．1．3 求解算法
5．2 理论分析
5．2．1 一致性分析
5．2．2 泛化误差界分析
5．2．3 与 PSVM-2V的比较
5．3 数值实验
5．3．1 数据准备与实验设置
5．3．2 两视角实验结果及分析
5．3．3 参数敏感性分析
5．3．4 收敛性分析
5．3．5 多视角实验结果及分析
5．4 本章小结
6 多视角非平行支持向量机
6．1 模型及求解算法
6．1．1 线性模型
6．1．2 非线性模型
6．1．3 求解算法
6．2 理论分析
6．2．1 一致性分析
6．2．2 与SVM-2K 和 MvTSVMs的比较
6．3 数值实验
6．3．1 数据准备与实验设置
6．3．2 实验结果及分析
6．3．3 参数敏感性分析
6．3．4 收敛性分析
6．4 本章小结
7 半监督两视角支持向量机
7．1 相关工作
7．1．1 多视角半监督学习
7．1．2 多视角拉普拉斯支持向量机
7．2 模型及求解算法
7．2．1 原始问题
7．2．2 对偶问题
7．2．3 求解算法
7．3 理论分析
7．4 数值实验
7．4．1 数据准备与实验设置
7．4．2 人工数据集上的实验结果及分析
7．4．3 真实数据集上的实验结果及分析
7．5 本章小结
8 总结与展望
参考文献