利用 Observer-GAN 从正类与未标记数据中学习
计算机视觉与模式识别
2022-08-29 v1
摘要
从正类与未标记数据中学习（又称 PU 学习）的问题已在二分类（即正类 versus 负类）设定下被研究，其中输入数据包括：(1) 来自正类的观测及其对应标签，(2) 来自正类和负类的未标记观测。生成对抗网络（GANs）已被用于将该问题化简为监督学习设定，其优势在于监督学习在分类任务中具有最先进的准确率。为生成 \textit{伪}负类观测，GANs 在正负与未标记观测上以修正损失进行训练。利用正类与 \textit{伪}负类观测可导出监督学习设定。生成足以替代缺失负类样本的逼真伪负类观测，是当前基于 GAN 算法的瓶颈。通过在 GAN 架构中引入一个额外的分类器，我们提出了一种新颖的基于 GAN 的方法。在我们建议的方法中，GAN 判别器仅指导生成器产生落入未标记数据分布的样本，而第二个分类器（观察者）网络监控 GAN 训练以：(i) 防止生成样本落入正类分布；(ii) 学习作为正类与负类观测关键区别的特征。在四个图像数据集上的实验表明，我们训练的观察者网络在区分真实未见正类与负类样本方面优于现有技术。
引用
@article{arxiv.2208.12477,
title = {Learning From Positive and Unlabeled Data Using Observer-GAN},
author = {Omar Zamzam and Haleh Akrami and Richard Leahy},
journal= {arXiv preprint arXiv:2208.12477},
year = {2022}
}