非参数半监督学习的类别比例

Jan, 2016

Nonparametric semi-supervised learning of class proportions

Shantanu Jain, Martha White, Michael W. Trosset, Predrag Radivojac

TL;DR该研究提出了解决从正类和未标记数据中开发二元分类器的问题的方法，其中主要集中在如何准确估计正类和负类先验概率的问题。通过研究非参数类先验估计和使用混合模型估计混合比例，该研究提供了一个新的算法以解决问题，通过实际转换为低维空间来解决高维密度估计等问题。

Abstract

The problem of developing binary classifiers from positive and unlabeled data is often encountered in machine learning. A common requirement in this setting is to approximate posterior probabilities of positive a

binary classifiers positive and unlabeled data nonparametric class prior estimation mixing proportions high-dimensional density estimation

发现论文，激发创造

正类和无标注数据学习的先验分类估计

利用惩罚性差异度度量方法，仅通过来自正类的额外样本，可以正确地估计未标记数据集的类先验。

Nov, 2016

从含有噪声的正样本和未标记的数据中估计类别先验和后验

发展一种分类算法，可从正未标记数据中估计后验分布，对正标记上的噪声具有鲁棒性，对高维数据有效。

Jun, 2016

从正样本和未标记数据中交替估算分类器和类先验

本文提出了一种新的 PU 学习方法，可同时估计类先验和训练分类器，简单易行且计算效率高，并通过实验验证了该方法的实用性。

Sep, 2018

应用于多类异常拒绝的类别比例估计

本文针对基于领域自适应的两个分类问题：类别比例估计和多类异常拒绝，分别设计出新颖的策略，并实现了类别比例估计技术，展示了其在多个基准数据集上的表现。

Jun, 2013

双组分混合模型的估计及其在多重检验中的应用

基于形状约束函数估计的思路，本文提出了一种估计混合比例和未知分布的方法，研究了其一致性和收敛速率，开发了自动化的无分布有保证的混合比例置信下限估计方法，并分析了在天文与微阵列实验中的应用。

Apr, 2012

混合比例估计与 PU 学习：一种现代方法

本文提出了 Best Bin Estimation（MPE）和 Conditional Value Ignoring Risk（PU-learning）两种简单技术解决无标注数据中的分类问题，并表明这两种方法在实证研究中优于以往的方法。

Nov, 2021

从群体统计数据中了解个体

本研究提出了一种新的问题形式，解决了二进制多实例学习问题，并创建了一个基于概率的模型，通过有效的 MCMC 算法进行训练，利用组统计信息来学习实例级分类器，以推断个体的未知二进制标签。该模型在一般对象识别中得到了应用。

Jul, 2012

无监督多数据集的二分类几乎免于监督

提出了一种用于多个未标记数据集的二元分类的新框架（MU-OPPO），旨在使用仅知道数据集的类先验排序之间的相对顺序的情况下，解决一个仅有一对类先验的二元分类问题，使用该新框架可使标注成本几乎为零。

Jun, 2023

基于实例依赖的正未标记数据的联合经验风险最小化

基于正样本和未标记数据的学习（PU 学习）是一种积极研究的机器学习任务，目标是基于包含部分标记的正样本和未标记实例的训练数据集训练一个二元分类模型。本研究提出了一个优化算法，通过建立标签机制、估计倾向性分值和进行参数优化，以实现风险一致性和更有效的方法。

Dec, 2023

基于正类和未标记数据分类的半监督分类

本文提出一种新的半监督分类方法，通过将无标签数据引入到分类模型中，使模型的下降边界可以与无标签数据的数量成比例而不需要假设簇的条件。经过实验证明这种方法的有效性。

May, 2016