Nov, 2021

混合比例估计与PU学习：一种现代方法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 非参数半监督学习的类别比例

    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。

    Jan, 2016

  • 通过核嵌入分布进行混合比例估计

    通过构建一种可证明正确的算法，将分布嵌入到一个逆向核希尔伯特空间（RKHS）中，通过解决几个简单的凸二次规划问题，我们解决了混合比例估计问题（MPE）的问题，并在某些假设下导出收敛速度。运行在几个标准分类数据集上，我们的算法在大多数数据集上表现与或优于其他算法。

    Mar, 2016

  • 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

  • 基于贝叶斯最优标记的实例相关PU学习

    本文提出了一种基于概率差距的PU学习算法，该算法通过利用条件概率P(Y=1|X)对正样例进行有偏重采样，并将未标记数据视为噪声负样例，从而自动标记一组正负样例，这些样例的标签与贝叶斯最优分类器分配的标签相同。通过核均值匹配技术纠正其偏差。实验结果表明，该方法在生成的和现实世界的数据集上均表现良好。

    Aug, 2018

  • 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

  • 正负样本学习综述

    该论文综述了“PU learning”（从正面和未标记数据中学习）的现状，并提出了七个关键的研究问题，旨在探讨如何应对医学诊断和知识库完成等应用中自然产生的这种数据类型。

    Nov, 2018

  • 正例偏移情况下的正类和无标注数据学习

    本文介绍了使用正样本和未标注样本进行PU学习的方法，即使正样本在数据分布中不具有代表性，也可以通过只固定负类分布来解决正偏差问题。通过将负-未标注学习与未标注-未标注学习相结合或利用递归风险估计方法，可以解决正偏差问题。然后，作者提出一种通用的方法来解决PU风险评估的过度配合问题。实验结果表明，无论数据集如何，这两种方法都是有效的。

    Feb, 2020

  • 学习一种用于PU学习的分解表征

    本文介绍了一种解决正样本与未标记数据（常称为PU学习）的二元（正负）分类器学习问题的方法，通过学习基于神经网络的数据表示来实现未标记数据的投影，形成可以使用简单的聚类技术轻松识别的两个（正和负）簇，加强了学习的未标记数据簇之间的分离，实现了对模拟PU数据的改进性能的实验证明。

    Oct, 2023

  • 超越近视：通过整体预测趋势从正面和未标记数据中学习

    通过重新采样正数据以确保正例和未标记样本之间的平衡分布，基于时间点过程（TPP）的趋势检测来处理正和未标记数据（PUL）问题。

    Oct, 2023