相互污染模型的去污染
机器学习
2019-04-12 v2
摘要
许多机器学习问题可以用相互污染模型来刻画。在这些 problems 中，人们观察到来自一组未知基础分布的不同凸组合的若干随机样本，目标是推断这些基础分布。本文考虑基础分布定义在任意概率空间上的一般设定。我们研究了在这种一般设定下产生的三个流行机器学习问题：带标签噪声的多类分类、混合成员模型的解混以及带部分标签的分类。在每种情况下，我们给出了可辨识性的充分条件，并提出了适用于无限样本与有限样本设定的算法，同时提供了相关的性能保证。
引用
@article{arxiv.1710.01167,
title = {Decontamination of Mutual Contamination Models},
author = {Julian Katz-Samuels and Gilles Blanchard and Clayton Scott},
journal= {arXiv preprint arXiv:1710.01167},
year = {2019}
}
备注
Published in JMLR. Subsumes arXiv:1602.06235