生成对抗正未标记学习
机器学习
2018-04-05 v2 机器学习
摘要
在本工作中，我们考虑对二值正未标记（PU）数据进行分类的任务。现有的基于判别学习的 PU 模型试图为 U 数据寻找最优重加权策略，从而求得合理的决策边界。然而，在给定有限 P 数据的情况下，传统 PU 模型在适配极为灵活的深度神经网络时往往出现过拟合。相反，我们首次提出一种全新的范式来解决二值 PU 任务，从生成学习的视角出发，利用强大的生成对抗网络（GAN）。我们的生成式正未标记（GenPU）框架包含一系列判别器与生成器，它们被赋予不同角色，同时生成逼真的正类与负类样本。我们提供理论分析以证明：在均衡时，GenPU 能够恢复正类与负类的数据分布。此外，我们表明 GenPU 具有泛化能力，并且与半监督分类密切相关。在 P 数据相当有限的情况下，在合成与真实世界数据集上的实验均证明了我们所提框架的有效性。借助 GenPU 生成的无限逼真且多样的采样流，随后可使用深度神经网络训练一个极为灵活的分类器。
引用
@article{arxiv.1711.08054,
title = {Generative Adversarial Positive-Unlabelled Learning},
author = {Ming Hou and Brahim Chaib-draa and Chao Li and Qibin Zhao},
journal= {arXiv preprint arXiv:1711.08054},
year = {2018}
}
备注
8 pages