面向正-无标签学习的自动化机器学习
机器学习
2024-01-15 v1
摘要
正-无标签（PU）学习是机器学习中一个不断发展的领域，旨在从由标记的正例和无标记实例（这些实例实际上可能是正例或负例，但其标签未知）组成的数据中学习分类器。在过去的二十年中，已经提出了大量解决PU学习的方法，以至于为给定的PU学习任务选择最优方法成为一项挑战。我们之前的工作通过提出GA-Auto-PU（首个用于PU学习的自动化机器学习（Auto-ML）系统）解决了这一问题。在本工作中，我们提出了两个新的用于PU学习的Auto-ML系统：基于贝叶斯优化方法的BO-Auto-PU，以及基于新颖的进化/贝叶斯优化方法的EBO-Auto-PU。我们还对这三个Auto-ML系统进行了广泛评估，将它们相互比较，并与60个数据集（20个真实世界数据集，每个数据集根据PU学习特征有3个版本）上成熟的PU学习方法进行了比较。
引用
@article{arxiv.2401.06452,
title = {Automated Machine Learning for Positive-Unlabelled Learning},
author = {Jack D. Saunders and Alex A. Freitas},
journal= {arXiv preprint arXiv:2401.06452},
year = {2024}
}
备注
36 pages, 4 figures