类先验偏移与非对称误差下的正-无标签分类
机器学习
2020-11-10 v4 机器学习
摘要
从正类和无标签数据中进行二分类（PU 分类）的瓶颈在于：给定的无标签模式需从测试边缘分布中抽取，且假正误差的惩罚与假负误差相同。然而，此类要求在实践中常无法满足。本文将对 PU 分类推广至类先验偏移与非对称误差场景。基于贝叶斯最优分类器的分析，我们证明给定测试类先验时，类先验偏移下的 PU 分类等价于带非对称误差的 PU 分类。接着，我们提出两种不同的框架来处理这些问题，即风险最小化框架与密度比估计框架。最后，我们通过使用基准数据集的实验展示了所提框架的有效性，并对两种框架进行了比较。
引用
@article{arxiv.1809.07011,
title = {Positive-Unlabeled Classification under Class Prior Shift and Asymmetric Error},
author = {Nontawat Charoenphakdee and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1809.07011},
year = {2020}
}
备注
Fixed typos