从具有实例依赖型损坏的二元标签中学习
机器学习
2016-05-05 v2
摘要
假设我们有一个样本，其实例与受任意实例和标签依赖噪声腐蚀的二元标签配对。在拥有足够多此类样本的情况下，我们能否针对无噪声分布对实例进行最优分类和排序？我们提供该问题的理论分析，有三个主要贡献。首先，我们证明对于实例依赖噪声，任何在噪声分布上分类一致的算法在无噪声分布上也是一致的。其次，我们证明对于一类广泛的实例和标签依赖噪声，类似的一致性结果对ROC曲线下面积也成立。第三，对于后一种噪声模型，当无噪声类概率函数属于广义线性模型族时，我们表明Isotron能够高效且可证明地从腐蚀样本中学习。
引用
@article{arxiv.1605.00751,
title = {Learning from Binary Labels with Instance-Dependent Corruption},
author = {Aditya Krishna Menon and Brendan van Rooyen and Nagarajan Natarajan},
journal= {arXiv preprint arXiv:1605.00751},
year = {2016}
}