利用增广类从正类与未标记数据中学习
机器学习
2022-07-28 v1
摘要
正类未标记(PU)学习旨在仅从正类和未标记数据中学习二分类器,该技术在许多现实场景中得到应用。然而,现有的 PU 学习算法无法应对开放且不断变化场景中的现实挑战,即测试阶段可能出现来自未观测增广类的样本。本文通过利用来自增广类分布的未标记数据(在许多现实场景中易于收集),提出了一种面向增广类 PU 学习(PUAC)的无偏风险估计器。此外,我们推导了所提估计器的估计误差界,为其收敛到最优解提供了理论保证。在多个真实数据集上的实验证明了所提方法的有效性。
引用
@article{arxiv.2207.13274,
title = {Learning from Positive and Unlabeled Data with Augmented Classes},
author = {Zhongnian Li and Liutao Yang and Zhongchen Ma and Tongfeng Sun and Xinzheng Xu and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2207.13274},
year = {2022}
}