Dist-PU:从标签分布视角出发的积极-未标记学习
机器学习
2022-12-07 v1 计算机视觉与模式识别
摘要
积极-未标记(PU)学习试图从少量已标注正例与大量未标注样本中学习二分类器。与普通的半监督学习相比,由于没有任何已知负标签,该任务更具挑战性。尽管现有的基于代价敏感的方法已取得最先进的性能,它们显式地最小化将未标注数据分类为负样本的风险,这可能导致分类器产生负预测偏好。为缓解此问题,本文从标签分布视角入手处理PU学习。注意到当类先验已知时,未标注数据的标签分布是固定的,它可自然地用作模型的学习监督。受此启发,我们提出追求预测标签分布与真实标签分布之间的一致性,通过对齐二者的期望来实现。此外,我们进一步采用熵最小化与Mixup正则化,以避免未标注数据上标签分布一致性的平凡解,并减轻随之而来的确认偏差。在三个基准数据集上的实验验证了所提方法的有效性。代码见:https://github.com/Ray-rui/Dist-PU-Positive-Unlabeled-Learning-from-a-Label-Distribution-Perspective。
引用
@article{arxiv.2212.02801,
title = {Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective},
author = {Yunrui Zhao and Qianqian Xu and Yangbangyan Jiang and Peisong Wen and Qingming Huang},
journal= {arXiv preprint arXiv:2212.02801},
year = {2022}
}
备注
Accepted at CVPR 2022