基于正置信度数据的二分类

我们能否仅从正例数据中学习一个二分类器，而无需任何负例数据或无标签数据？我们证明，如果能赋予正例数据以置信度（正置信度），就可以成功学习一个二分类器，我们称之为正置信度（Pconf）分类。我们的工作与旨在通过聚类相关方法“描述”正类的一类分类相关，但一类分类不具备调节超参数的能力，且其目标并非“区分”正类和负类。针对Pconf分类问题，我们提供了一个简单的经验风险最小化框架，该框架与模型无关且与优化方法无关。我们从理论上建立了其一致性和估计误差界，并通过实验证明了所提方法在训练深度神经网络方面的有效性。