从正类无标签数据集中生成相关反例用于图像分类
计算机视觉与模式识别
2019-10-07 v1 机器学习
图像与视频处理
摘要
随着可用但未标记数据的激增，正类无标签（PU）学习正成为一个蓬勃发展的挑战。这项工作处理这一艰巨任务，近期基于 GAN 的 PU 方法已展示出有前景的结果。生成对抗网络（GANs）不受确定性偏差或特定维度需求的阻碍。然而，现有的基于 GAN 的 PU 方法也存在一些缺点，例如对先验知识的敏感依赖、繁琐的架构或第一阶段过拟合。为解决这些问题，我们提出在标准 GAN 判别器损失函数中加入有偏 PU 风险。以此方式，判别器被约束要求生成器收敛到无标签样本分布，同时偏离正类样本分布。这使得所提出的模型（称为 D-GAN）能够在无需先验知识的情况下专门学习反例分布。实验表明，我们的方法通过克服现有最先进无先验 PU 方法的问题，优于它们。
引用
@article{arxiv.1910.01968,
title = {Generating Relevant Counter-Examples from a Positive Unlabeled Dataset for Image Classification},
author = {Florent Chiaroni and Ghazaleh Khodabandelou and Mohamed-Cherif Rahal and Nicolas Hueber and Frederic Dufaux},
journal= {arXiv preprint arXiv:1910.01968},
year = {2019}
}
备注
Submitted to Pattern Recognition