利用无标签数据实现并发正-无标签分类与鲁棒生成
机器学习
2025-07-25 v3 机器学习
摘要
类别标签数据的稀缺是许多机器学习问题中普遍存在的瓶颈。虽然通常存在丰富的无标签数据并提供了潜在的解决方案，但利用它们极具挑战性。在本文中，我们通过同时利用正-无标签（PU）分类和借助额外无标签数据的条件生成来解决这个问题。我们提出了一种新颖的训练框架，通过探索两者之间的相互作用，在接触到额外数据（尤其是分布外无标签数据）时，联合处理PU分类和条件生成这两个目标：1）借助一种对噪声标签鲁棒的新型分类器-噪声不变条件生成对抗网络（CNI-CGAN）来增强PU分类器的性能；2）利用带有PU分类器预测标签的额外数据来辅助生成。理论上，我们证明了CNI-CGAN的最优条件；实验上，我们在多种数据集上进行了广泛的评估。
引用
@article{arxiv.2006.07841,
title = {On Leveraging Unlabeled Data for Concurrent Positive-Unlabeled Classification and Robust Generation},
author = {Bing Yu and Ke Sun and He Wang and Zhouchen Lin and Zhanxing Zhu},
journal= {arXiv preprint arXiv:2006.07841},
year = {2025}
}
备注
Published in International Conference on Image and Graphics (ICIG), 2025