Dens-PU：基于密度正标记增强的 PU 学习
机器学习
2024-07-02 v1 人工智能
计算机视觉与模式识别
摘要
本研究提出一种基于异常检测策略解决 PU 学习问题的新方法。从正标记数据中提取的潜在编码经线性组合以获得新样本。这些新样本用作嵌入以增加正标记数据的密度，从而定义一个逼近正类的边界。样本离边界越远，越被视为负样本。一旦获得一组负样本，PU 学习问题便简化为二分类问题。该方法因其依赖于正标记数据的密度而命名为 Dens-PU，使用基准图像数据集进行了评估，并取得了最先进的结果。
引用
@article{arxiv.2303.11848,
title = {Dens-PU: PU Learning with Density-Based Positive Labeled Augmentation},
author = {Vasileios Sevetlidis and George Pavlidis and Spyridon Mouroutsos and Antonios Gasteratos},
journal= {arXiv preprint arXiv:2303.11848},
year = {2024}
}