正负无标签样本学习——有限样本规模界限
机器学习
2025-07-11 v1
摘要
PU(正样本-无标签)学习是监督分类的一个变体，学习器仅获得正样本实例的标签。在现实应用中，PU学习广泛出现。大多数现有工作依赖简化假设：正样本训练数据来源于仅包含正样本的分布限制，或已知正样本点（即类先验）的比例。本文在更广泛的情形下，对PU学习的统计复杂度进行理论分析。与大多数旁路工作不同，本研究不假设学习器已知类先验。我们证明了正样本和无标签样本所需样本量的上界和下界。
引用
@article{arxiv.2507.07354,
title = {Learning from positive and unlabeled examples -Finite size sample bounds},
author = {Farnam Mansouri and Shai Ben-David},
journal= {arXiv preprint arXiv:2507.07354},
year = {2025}
}