面向正类与未标注学习的集体损失函数
机器学习
2020-05-08 v1 计算机视觉与模式识别
机器学习
摘要
人们学会在无需显式接触负类样本的情况下区分类别。相反,传统机器学习算法常依赖负类样本,否则模型易崩溃并给出恒真预测。因此,设计能使模型收敛且无需显式负信号即可无偏预测的学习目标至关重要。本文中,我们提出一种集体损失函数以仅从正类与未标注数据(cPU)中学习。我们从 PU 学习的设定出发理论推导该损失函数。我们在基准与真实世界数据集上进行了密集实验。结果表明 cPU 持续优于当前最先进的 PU 学习方法。
引用
@article{arxiv.2005.03228,
title = {Collective Loss Function for Positive and Unlabeled Learning},
author = {Chenhao Xie and Qiao Cheng and Jiaqing Liang and Lihan Chen and Yanghua Xiao},
journal= {arXiv preprint arXiv:2005.03228},
year = {2020}
}