Oct, 2020

点对置信度比较的逐点二分类

HTML
PDF
TL;DR本文提出一种新的二元分类设置，即成对比较分类 (Pcomp) 分类，其中仅有一对未标记数据，我们知道其中一个数据比另一个更可能为正。我们给出了一个生成 Pcomp 数据的过程，推导出了一个带有理论保证的无偏风险估计器 (URE)，并使用校正函数进一步改进了 URE。同时，我们将 Pcomp 分类联系到噪声标签学习，发展了一种逐步 URE 并通过施加一致性正则化来改进它。最后，我们通过实验证明了我们的方法的有效性，这表明 Pcomp 除了成对标签之外，还是一种有价值且实用的成对监督类型。
发现论文，激发创造
  • 正负样本学习与PU学习的理论比较

    本文主要探讨 PU（和 NU）学习相对于 PN 学习的上界估计误差，并发现了简单的条件，当先验概率和 P 与 N 数据的大小给定时，PU 或 NU 学习具有无限 U 数据将优于 PN 学习。

    Mar, 2016

  • 使用非负风险估计器的正无标记学习

    该论文提出了一种针对PU学习的非负风险估计方法，可以更好地应对过拟合问题，并允许使用深度神经网络等灵活的模型进行学习。实验结果表明，该风险估计方法可以有效地解决其无偏估计方法中存在的过拟合问题。

    Mar, 2017

  • 基于正置信数据的二元分类

    研究如何利用正向数据进行二分类器学习，提出了一种基于正向置信度的分类器，命名为正向置信度（Pconf）分类，提供了一个基于经验风险最小化的框架，理论上证明了其一致性和估计误差界，并通过实验表明了其对训练深度神经网络的有效性。

    Oct, 2017

  • 点对点 ROC 曲线优化的监督相似性学习概率理论

    该论文从交叉匹配角度分析了相似性学习，提出了一种基于ROC优化的点级优化标准，通过一种概率框架对此进行了深入研究，给出了基于U-统计的约束优化表达式，推导出相应的普适性学习速率以及在数据分布噪声假设下更快速的学习速率，同时考虑了采样近似近似的效果，同时通过量化实验得到了与理论相称的实验结果。

    Jul, 2018

  • 正样本、无标记样本和有偏负样本数据分类

    本文提出一种新的分类框架来解决二元分类中负数据种类过于多无法完全标注的情况，并引入一种基于实验风险最小化的方法来解决这个问题，方法中使用的每个示例的权重是通过受到正例样本-未标记负例样本学习的启发式预处理步骤计算的，并针对所提出的方法导出了估计误差边界。实验结果表明，该算法不仅在正-未标记负学习场景中，也在几个基准数据集上的普通正-未标记负学习场景中均具有有效性。

    Oct, 2018

  • 通过经验风险最小化从成对相似性/不相似性和无标签数据中进行分类

    该论文提出了一种利用成对数据信息进行分类的方法，其中使用了经验风险最小化方法来评估分类风险，可以从成对相似性和未标记数据计算出分类风险的无偏估计器。这种方法不仅可以处理相似性，而且还可以处理不相似性，并且可以估计误差范围。

    Apr, 2019

  • 无分布假设的二分类: 预测集, 置信区间和校准

    研究数据无任何分布性假设条件下，针对二分类问题的不确定性量化中的三种方法——标定、置信区间和预测集，建立了连接这三个概念的三角脚架，明确了使用基于评分函数的分类器才能进行无分布标定的必要条件。我们还推导了面向固定宽度和统一质量分组的二分类问题中的无分布概率分组方法的置信区间，这些区间可以导致无分布标定。此外，我们还推导了针对流数据和协变量转移的扩展。

    Jun, 2020

  • 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

  • RoLNiP: 使用有噪声的配对比较进行鲁棒学习

    提出了一种学习噪声配对比较的强健方法，该方法根据损失函数提出了充分条件，使得风险最小化框架在类似数据中噪声强度变大情况下保持强健性，并通过提供估算噪声率的方法来解决条件噪声的情况，并最终实现学习强健分类器的端到端方法。

    Mar, 2023

  • 置信度差异的二元分类

    使用软标签进行学习在模型泛化、校准和鲁棒性方面表现更好。本文提出了一种称为置信度差异分类的弱监督二分类问题，并提出了一种风险一致的方法来解决该问题。通过大量的实验证明了该方法在利用置信度差异的监督信息方面的有效性。

    Oct, 2023