面向正例-无标签分类的信息论表示学习
机器学习
2022-06-22 v4 机器学习
摘要
弱监督分类的最新进展使我们能够仅从正例和无标签 (PU) 数据中训练分类器。然而，现有的 PU 分类方法通常需要准确估计类先验概率，这对于高维数据而言是一个关键瓶颈。该问题通常通过预先应用主成分分析来解决，但这种无监督降维可能破坏潜在的类结构。在本文中，我们基于信息最大化原则提出了一种从 PU 数据中学习表示的新方法。我们的方法不需要类先验估计，因此可用作 PU 分类的预处理方法。通过实验，我们证明了我们的方法与深度神经网络相结合能大幅提高 PU 类先验估计的准确率，从而实现了 SOTA 的 PU 分类性能。
引用
@article{arxiv.1710.05359,
title = {Information-Theoretic Representation Learning for Positive-Unlabeled Classification},
author = {Tomoya Sakai and Gang Niu and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1710.05359},
year = {2022}
}