利用替代集分类从多个无标签数据集进行二元分类

ICMLFeb, 2021

利用替代集分类从多个无标签数据集进行二元分类

Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification

Nan Lu, Shida Lei, Gang Niu, Issei Sato, Masashi Sugiyama

TL;DR本文提出了一种从多个未标记数据集中训练二分类器的方法，通过将每个观察数据归到各自对应的数据集来实现替代数据分类，最终结果在分类一致性方面优于当前最先进的方法。

Abstract

To cope with high annotation costs, training a classifier only from weakly supervised data has attracted a great deal of attention these days. Among various approaches, strengthening supervision from completely unsupervised classification is a promising direction, which typically employs class priors as the only supervision and trains a binary classifier fro

weakly supervised learning unsupervised classification binary classifiers surrogate set classification deep learning

发现论文，激发创造

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

基于成对相似度和无标签数据的分类

提出了一种新的弱监督学习设置，称为 SU 分类，只需要相似数据对和未标记数据点，可以从 SU 数据中获得分类风险的无偏估计量，并证明其经验风险最小化器的估计误差达到最优参数收敛速率。通过实验证明了该方法的有效性。

Feb, 2018

从两个未标记数据集进行监督分类中缓解过拟合：一种一致的风险校正方法

本文介绍一个基于经验风险最小化的无标注二分类方法。该方法有时可能会出现严重的过拟合。因此，我们提出了一种校正函数来限制过拟合，并证明了校正后的风险估计器的一致性和估计误差界限。实验结果显示，我们的方法成功地缓解了 UU 方法的过拟合问题，并显著提高了分类准确性。

Oct, 2019

多个未标记数据集的 AUC 优化

本文研究如何从多个未标注数据集中构建一个 AUC 优化模型，提出了一种称为 U^m-AUC 的方法，将 U^m 数据转化为多标签 AUC 优化问题，可以有效地进行理论与实证研究。

May, 2023

从未标注的数据中以最少监督训练任何二元分类器

该研究通过使用两组未标记的数据和基于经验风险最小化（ERM）的方法，提出了一种可以训练任意（从线性到深度）二分类器的学习方法，并证明了这种方法是一致的；实验证明，该方法可以训练深度模型并优于学习两组未标记数据的现有方法。

Aug, 2018

使用 Bagging SVM 从正样本和未标记样本中学习

我们研究了从标记为正例和未标记样本的训练集中学习二元分类器的问题，提出了一种袋装方法来应对这个问题，并在模拟和实际数据上进行了实证表明。

Oct, 2010

基于联合分类器学习的二值网络无监督表示学习

本文提出一种二进制网络的自监督学习方法，使用移动目标网络和特征相似性损失、动态损失平衡和修改的多阶段训练来进一步提高准确度，称为 BURN。通过在七个数据集上进行五个下游任务的实证验证，我们发现 BURN 优于二进制网络的自监督对照组，有时胜过监督预训练。

Oct, 2021

AuxMix：半监督学习与无限制未标记数据

本研究提出了一种叫做 AuxMix 的算法，该算法利用自监督学习任务来学习通用特征，以掩盖那些不同于标记集的语义上不相似的辅助数据，并正则化学习通过预测熵最大化来处理不同数据的不确定性，结果显示该算法相比现有的基线在 ResNet-50 模型上训练 CIFAR10 数据集时提高了 5％。

Jun, 2022

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

带有少量标注的半监督学习

本文提出一种新的 SSL 算法，通过引入转移学习和自主监督来初始化数据的表示，再利用新算法，交替拟合有标签和无标签点以降低过拟合和避免标签和无标签损失平衡的问题。实验证明，该方法在标准基准测试中表现优异，特别是在从其他任务或数据集中细化时，效果更佳。

May, 2019