- PUAL：一种用于三分正负样本数据的分类器
通过引入正类样本上的非对称损失结构，构建了一个 PU 分类器，并开发了基于核的算法，使得 PUAL 能够获得非线性的决策边界，实验证明 PUAL 在三分数据上可以实现令人满意的分类效果。
- ICML揭示异质结构对图正 - 无标记学习的影响
图上正无标（PU）学习面临着边异质性的重要挑战，我们提出了一种名为图上 PU 学习与标签传播损失（GPL）的新方法，它考虑了 PU 节点的学习以及中间异质性的减少，以减轻异质结构的负面影响，并在内部循环中降低异质度，在外部循环中高效地学习分 - 深度正未标注异常检测污染未标注数据
通过使用正样本 - 无标签学习和自动编码器等异常检测器，我们提出了一种正样本 - 无标签自动编码器，通过使用无标签数据和异常数据，我们可以近似正常数据的异常得分，从而能够在没有标记正常数据的情况下训练异常检测器来最小化正常数据的异常得分并最 - 差的最大结构弱凸函数的单循环随机算法
本文研究了一类非光滑非凸问题，提出了一种基于随机 Moreau 包络梯度方法的单循环算法来解决这类问题，该算法在解决非光滑非凸问题上取得了最先进的非渐进收敛速率，通过实验证明了算法的有效性。
- 验证正无标签学习中随机选择完全合理假设
基于正无标（PU）学习目标是基于包含正例和无标实例的训练数据训练一个二元分类器，其中无标观察可以属于正类或负类。本文提出了一种简单且计算速度较快的测试方法，用于确定观察数据是否符合 SCAR 假设，并在实验中成功地检测了多种与 SCAR 场 - 基于社区的分层正负无标记（PU）模型融合用于慢性疾病预测
提出了一种新颖的 Positive-Unlabeled Learning Tree (PUtree) 算法，该算法通过考虑不同群体（如年龄或收入段）来解决慢性疾病预测任务中的正无标记学习问题，包括建立基于群体的 PU 模型、采用掩蔽恢复数据 - ICCV无类别先验的 Taylor 变分损失正无标学习在高光谱遥感图像中的应用
本文介绍了一种应用于高光谱遥感图像 (HSI) 的正 - 无标签学习 (PU learning) 方法，通过提出的 Taylor 变分损失函数和自校准优化策略，在有限标记 HSI 数据中实现了在过拟合和欠拟合之间的平衡，且在 7 个基准数据 - KDD基于噪声负样本自校正的鲁棒正无标记学习
基于正例和未标记数据的学习是一种被称为正例与未标记学习的方法，在文献中已经引起了广泛关注。我们提出了一种新的鲁棒性正例与未标记学习方法，通过训练策略改善标签不确定性的影响并提高学习的准确性和稳定性。该方法利用一种新颖的 “困难度” 度量来区 - 基于正负未标注度量学习的文档级关系抽取框架
本文提出了一种基于 P3M 度量学习框架的文档级关系抽取方法，使用正向增强和混合方法进行正向无标签学习，改进了文档级关系抽取的 F1 分数。
- CVPRDist-PU：基于标签分布视角的正 - 无标记学习
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 - EMNLP一个统一的正 - 无标签学习框架，用于具有不同水平标记的文档级关系提取
本文首次使用正样本 - 未标记（PU）学习在文档级别关系抽取任务上，并提出了一种统一的 PU 框架 - Shift and Squared Ranking Loss Positive-Unlabeled（SSR-PU）学习。本方法考虑了数据 - 一种正 - 无标记学习的提升算法
提出了一种新的正无标记（PU）学习算法，AdaPU 算法，通过在加权的正负（PN）数据集上进行学习单个弱分类器及其权重来优化经验指数损失，该算法在多个基准 PU 数据集，包括一个大型有挑战性的网络安全数据集上，优于神经网络。
- IJCAI具有对抗数据增强的正 - 无监督学习用于知识图谱补全
本篇研究提出正 / 无标签学习与对抗数据增强（PUDA）方法以完成知识图谱，同时解决误删和数据稀疏问题，并在实际数据集上展现较好的应用效果。
- CVPR结合半监督和正未标记学习提升全参考图像质量评估
本文提出了一种利用半监督和正无标记学习方法来提高无标签数据质量检测表现的方法，通过动态生成伪 MOS，结合全参考图像质量评估和空间注意力机制来处理 GAN 模型带来的误配问题。在多项数据集实验中表现良好。
- 改进的输入再编程用于 GAN 调节
我们研究了生成式对抗网络 (GAN) 条件问题，提出了一种名为 InRep + 的新算法，采用可逆神经网络和正半无标记学习来解决现有问题，能够在标签信息缺乏、噪声和 / 或不平衡的情况下实现更好的结果。
- ACL测量术语细粒度领域相关性：一种分层核心 - 边缘方法
本文提出一种测量术语与广泛或狭窄领域相关程度的方法（即细颗粒度领域相关性），并介绍了如何利用核心术语建立核心锚定语义图，通过半监督学习，自动注释和分层正未标注学习等技术实现精细化领域化处理，结果表明该方法的性能表现优于强基线和甚至超过专业人 - ICMLSelf-PU: 自我增强和校准的正 - 无标记训练
提出了一种新的自主 - 无监督 (Self-PU) 学习框架，该框架无缝地集成了自我训练和无监督学习以解决 Positive-Unlabeled（PU）学习问题，并在 Alzheimer 的疾病分类中实现了显着改善。
- 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 - 正例 - 未标注奖励学习
本文针对学习奖励模型所面临的挑战，探讨了正例 - 无标记学习算法（positive-unlabeled learning）在奖励学习问题中的应用，并验证该方法可以同时解决奖励低估和高估问题，从而显著提高 both GAIL and supe - ACL通过神经元正无标记学习实现文档集扩展的可扩展性评估和改进
本研究提出了一种将信息检索 (IR) 扩展为正无标记 (positive-unlabeled, PU) 学习的方法，即从正样本数据 (即查询文档) 和非标记数据 (IR 引擎返回的结果) 中学习二元分类器，然后应用于文本分类问题中，该方法在