- 正标 - 未标分类的元学习
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 - 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 - 基于 PU 学习的准确链路预测
提出了一种基于正无标号（PU）学习的准确链接预测方法 PULL（PU-Learning-based Link predictor），它通过为每个边引入潜在变量并利用相对于这些变量的预期图结构，有效地防止链接预测器过度拟合观察到的图，在边不完 - 软标签 PU 学习
本文提出了一种软标签的 PU 学习方法，通过根据样本可能是正样本的概率为未标记数据分配软标签，并设计了相应的 PU 评估指标来评估其性能。实验证明了所提出方法在公共数据集和腾讯游戏的反作弊服务上的有效性。
- 基于密度估计的正负样本学习的文档集扩展方法
该论文提出了一种基于密度估计的新颖 PU 学习框架 puDE，可以应对文档集扩展任务中的未知类别先验、不平衡数据等问题，通过一系列真实世界数据集的实验表明，该方法是 DSE 任务的更好选择。
- 基于实例依赖的正未标记数据的联合经验风险最小化
基于正样本和未标记数据的学习（PU 学习）是一种积极研究的机器学习任务，目标是基于包含部分标记的正样本和未标记实例的训练数据集训练一个二元分类模型。本研究提出了一个优化算法，通过建立标签机制、估计倾向性分值和进行参数优化，以实现风险一致性和 - 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 - 正例生成产品概念的自动化方法及其在音乐流媒体中的应用
本文介绍如何通过数据库查询和利用 PU 学习与决策树和聚类相结合的方法，为产品概念建模，通过模拟音乐服务的实验验证该方法的有效性。
- MM从有偏的场景图中恢复无偏的场景图
本文提出一种基于 PU 学习和动态标签频率估计的方法，通过有效利用标签频率从而解决场景图生成中的长尾问题和报告偏差，实现更准确的标签估计和更平衡的场景图生成。
- KDD学习具有正节点和未标记节点的图神经网络
本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。
- 应用于 PU 学习的部分最优传输
本文就偏沃瑟斯坦问题和 Gromov-Wasserstein 问题提出了精确算法，并以正负样本不平衡学习和不同领域点云为例证明了它们在相应场景下的有效性。
- 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。
- 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。
- NIPS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。
- NIPS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。
- 矩阵完成的 PU 学习
矩阵完成问题中，我们考虑当观测值是某个潜在矩阵 M 的一位测量时的一位矩阵完成问题。我们提出了 “移位矩阵完成” 和 “有偏矩阵完成” 方法，分别通过从一的索引子集恢复 M 和恢复二进制矩阵。这两种方法均提供强的误差边界。
- 使用 Bagging SVM 从正样本和未标记样本中学习
我们研究了从标记为正例和未标记样本的训练集中学习二元分类器的问题，提出了一种袋装方法来应对这个问题，并在模拟和实际数据上进行了实证表明。