利用带置信度的单类数据进行多类分类

我们能否仅从单一类别的数据中学习多类分类器？我们表明，在对损失函数、模型和优化器不做任何假设的情况下，当置信度(即所有类别的类后验概率)可用时，我们仅利用单一类别的数据就能以严格的一致性保证成功学习多类分类器。具体而言，我们提出了一种与损失/模型/优化器无关的经验风险最小化框架。我们的方法不构建给定类别与其他类别之间的边界，而是即使未提供其他类别的数据，也能在所有类别之间进行判别分类。我们进一步从理论和实验上表明，即使所提供的置信度高度噪声化，经简单修改后我们的方法仍可保持 Bayes 一致性。随后，我们给出了当可获得所有类别中一个子集的数据时的方法扩展。实验结果证明了我们方法的有效性。