重访正-无标签学习的样本选择方法：将无标签数据转为正类而非负类
机器学习
2019-01-30 v1 机器学习
摘要
在正-无标签（PU）学习的早期历史中，启发式地从 U 数据中选择负类（N）数据的样本选择方法曾被广泛探索。然而，该方法后来被重要性重加权方法所主导，后者谨慎地将所有 U 数据视为 N 数据。在深度学习时代，是否可能存在一种能够超越最新重要性重加权方法的新型样本选择方法？本文旨在肯定地回答这一问题——我们基于深度网络的记忆特性，提出将大损失 U 数据标为正类（P）。由于以此方式选择的 P 数据存在偏差，我们提出了一种能够妥善处理此类有偏 P 数据的新型学习目标。实验证实了所提方法的优越性。
引用
@article{arxiv.1901.10155,
title = {Revisiting Sample Selection Approach to Positive-Unlabeled Learning: Turning Unlabeled Data into Positive rather than Negative},
author = {Miao Xu and Bingcong Li and Gang Niu and Bo Han and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1901.10155},
year = {2019}
}