本文提出了一个结合了模型集成学习和自训练的框架，用于解决深度学习模型在实际部署中遭遇训练数据分布不同的测试数据导致性能下降的问题，同时解决无监督准确度估计和错误检测两个挑战性任务，并在 59 项任务中取得了最优结果。

Jun, 2021

本文提出一种实用的方法来估计多个分类器的联合能力，与现有方法不同的是它不依赖于标签，从而使得在大型无监督数据集中进行工作成为可能。该方法通过组合误差的组合边界实现，能够高效地搜索可能产生更高联合准确性的分类器组合。此外，该方法适用于无标签数据，使其在现代的无监督学习场景中既准确又实用。通过在流行的大规模人脸识别数据集上进行实验证明了该方法的有效性，这些数据集为使用嘈杂数据进行细粒度分类任务提供了一个有用的测试平台。该方法与无监督学习的趋势性实践相吻合，通过衡量一组分类器的内在独立性，而不依赖于其他分类器或标记数据。

Nov, 2023

在小训练数据情况下，通过使用未标记数据来改进深度集成模型的校准方法，该方法通过为每个未标记数据点与每个集成成员的不同随机选择的标签进行拟合，理论分析证明该方法在测试样本上能够获得低负对数似然和高集成的多样性。经过详细实验证明，在训练集规模较小的情况下，与标准集成模型相比，我们的集成模型在多样性和校准能力上表现更好，有时表现显著。

Oct, 2023

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

我们提出了一种元学习方法，用于正负样本未标记分类，从而提高仅使用 PU 数据获得的二元分类器在未知目标任务中的性能。该方法使用包含正向、负向和未标记数据的相关任务，在使用 PU 数据调整模型之后，最小化了测试分类风险。通过使用神经网络将每个实例嵌入到任务特定空间中，我们以密度比率估计 PU 密度的形式估计了贝叶斯最优分类器，其解可作为闭式解求得。经验证明，该方法在一个合成数据集和三个真实数据集上表现优于现有方法。

Jun, 2024

我们提出了一种基于逻辑约束的多类别分类器准确度无标签估计方法，尝试使用基于分类器之间一致性的逻辑关系的猜想，从而得出准确估计值，实验证明了此方法在四个真实数据集上的有效性。

May, 2017

本研究通过谱方法，针对二元情况下的多个分类器预测结果，提出了一种无监督方法来估计分类器的准确性，同时构建了更准确的无监督集成分类器，并通过人工和真实数据集的实验表明了该算法的竞争性能。

Jul, 2014

本文提出了一种如何从不同方的私有数据中构建准确的差分隐私全局分类器的方法，即通过从辅助非标记数据创建标记数据，然后训练全局的差分隐私分类器来转移本地分类器集成的 “知识”，我们通过从集成估计的类概率加权的新风险进行了解决。我们的解决方案相对于非私有解决方案具有 O (ε^-2M^-2) 的广义误差界限，其中 M 为参与方的数量。

Feb, 2016

本文提出两个完全基于代数的评估算法来处理嘈杂的二元分类器的未标记数据流，第一个基于多数投票，第二个是本文主要贡献，保证正确性。

Jun, 2023

本文介绍了一种利用无标签数据生成泛化界限的方法，并证明了其对 0-1 经验风险最小化和梯度下降训练的线性分类器是有效的。实证表明，该界限提供的泛化保证可以在计算机视觉和自然语言处理任务中跟踪实际表现。

May, 2021