该论文侧重于使用正面与未标记数据进行漏洞检测，提出了一种名为 PILOT 的新模型，主要包括距离感知标签选择模块和混合监督表示学习模块，以提高漏洞检测的准确性。

Aug, 2023

该研究探究了使用动态特征图上的未来连通性预测任务来解决生物医学术语之间存在的重要的隐式联系的假设生成问题，并使用真实的生物医学术语关系数据集和 COVID-19 数据集验证了提出的模型的有效性。

Oct, 2020

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

该论文介绍了一种用于正负标记样本不明确的情景下，从正样本和无标记样本中学习出二分类器的新方法 —— 使用变分原理的方法，可以直接从给定的数据中定量评估贝叶斯分类器的建模误差，并进一步提高该方法的鉴别性能和数值稳定性，还可以通过引入最大化分类间隔的损失函数来使方法更加有效。

Jun, 2019

糖尿病性视网膜病变（DR）是全球致盲的重要原因，早期检测和有效治疗的迫切需求引起了关注。研究中提出了一种针对 DR 检测的新型半监督图学习（SSGL）算法，充分利用标记和未标记数据之间的关系以提高准确性。该研究通过研究数据增强和预处理技术来解决图像质量和特征变化的挑战，并探索了图像裁剪、调整大小、对比度调整、归一化和数据增强等技术来优化特征提取和改善视网膜图像的整体质量。此外，除了检测和诊断，本研究还深入研究了将机器学习算法应用于预测 DR 发展的风险或疾病进展的可能性。使用包含人口信息、病史和视网膜图像的全面患者数据生成个体化风险评分。该提出的半监督图学习算法在两个公开数据集上进行了严格评估，并与现有方法进行了基准测试。结果表明，在分类准确性、特异性和灵敏度方面取得了显著的改进，同时表现出对噪声和异常值的鲁棒性。值得注意的是，该算法解决了医学图像分析中常见的不平衡数据集的挑战，进一步增强了其实际适用性。

Sep, 2023

本文提出了一种基于深度网络记忆特性的新样本选择方法，将大损失的未标记数据标记为 P，并开发了一种能够适当处理此种偏见数据的学习目标，实验证实了该方法在正无标注学习中的卓越表现 。

Jan, 2019

本研究中使用回归方法和 Poisson 统计学建模 DEL 数据，计算药物的定量结构 - 活性关系并可视化学习的结果。

Aug, 2021

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

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

本文提出了一种用于 Positive-Unlabeled 学习的标签分布一致性方法，通过对齐无标签数据和基础事实标签分布的期望值，实现了一定程度的学习监督，并进一步采用信息熵最小化和 Mixup 正则化来避免无标签数据上标签分布相同的平凡解法和缓解经验确认偏差。

Dec, 2022