类先验偏移下的正-未标记分类：基于密度比估计的先验不变方法
机器学习
2021-12-16 v3
摘要
从正样本和未标记（PU）数据中学习是各种应用中的一个重要问题。大多数近期的 PU 分类方法假设训练未标记数据集中的类先验（正样本比例）与测试数据相同，这在许多实际情况下不成立。此外，我们通常不知道训练和测试数据的类先验，因此无从知晓如何在没有它们的情况下训练分类器。为解决这些问题，我们提出了一种基于密度比估计的新型 PU 分类方法。我们提出的方法的一个显著优势是它在训练阶段不需要类先验；类先验偏移仅在测试阶段被纳入。我们从理论上证明了所提方法的合理性，并通过实验展示了其有效性。
引用
@article{arxiv.2107.05045,
title = {Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation},
author = {Shota Nakajima and Masashi Sugiyama},
journal= {arXiv preprint arXiv:2107.05045},
year = {2021}
}
备注
36 pages, 4 figures