基于PU学习中聚类假设的特征选择
机器学习
2025-04-18 v1 神经与进化计算
摘要
特征选择是高效数据挖掘的关键步骤，常遇到的情形是仅有少量正标签，而大部分数据 remains unlabeled。在某些实际PU学习任务中，经过充分特征选择后的数据往往形成具有集中正标签的聚类。在此情况下，常规特征选择方法将unlabeled数据视为负样本，可能无法捕捉正数据统计特征，导致性能次优。为此，我们提出一种基于PU学习中聚类假设的新型特征选择方法，称为FSCPU。FSCPU将特征选择问题形式化为二元优化任务，其目标函数显式地纳入PU学习设置下的聚类假设。合成数据集实验表明，FSCPU在各种数据条件下均有效。此外，与在三个公开数据集上比较10种常规算法的结果表明，FSCPU即使在聚类假设不严格成立时，也在下游分类任务中实现了具竞争力的性能。
引用
@article{arxiv.2504.12651,
title = {Feature selection based on cluster assumption in PU learning},
author = {Motonobu Uchikoshi and Youhei Akimoto},
journal= {arXiv preprint arXiv:2504.12651},
year = {2025}
}
备注
Accepted at GECCO 2025