关键词positive and unlabeled data
搜索结果 - 5
- 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。
- 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。
- 超越仅基于随机选择的假设:学习正类和未标记数据
本文中,我们探讨了如何在正样本和未标注样本数据集的有选择偏差中进行有监督学习,并提出了一种基于经验风险的方法来加入标签机制和解决未知标签机制的情况,实验证明,即使在未知标签机制的情况下,考虑可能存在的选择偏差也会提高分类器的训练效果。
- 基于正类未标记学习的半监督 AUC 优化
本文提出了一种新的半监督 AUC 优化方法,不需要强限制假设,其基于正例和未标记数据的 AUC 优化方法(PU-AUC),并将其与监督 AUC 优化方法结合来实现半监督学习,理论证明了未标记数据对于 PU 和半监督 AUC 优化方法的泛化性 - 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