正类与未标注学习中基于模糊性选取可靠样本的方法
机器学习
2019-03-28 v1 计算机科学与博弈论
摘要
传统半监督学习仅使用有标注样本训练分类器，然后利用该分类器对未标注样本进行分类，而有时有标注集中仅有属于目标概念的正类样本可用。本文研究仅从正类与未标注样本设计算法的问题。在所有半监督正类与未标注学习方法中，从未标注样本中提取有用信息是基础步骤。本文设计了一种新框架以利用未标注样本中的有效信息。本质上，该框架主要包括：（1）通过样本的模糊性选取可靠负类样本；（2）基于样本的模糊性选择新的正类样本以扩展初始正类集，并将这些新样本称为可靠正类样本；（3）使用数据编辑技术滤除高模糊性的噪声点。所提算法的有效性通过在 UCI 数据集上的对比实验得到验证。
引用
@article{arxiv.1903.11064,
title = {A method on selecting reliable samples based on fuzziness in positive and unlabeled learning},
author = {TingTing Li and WeiYa Fan and YunSong Luo},
journal= {arXiv preprint arXiv:1903.11064},
year = {2019}
}
备注
7 pages