Self-PU：自增强与自校准的正-无标签训练
机器学习
2020-06-23 v1 机器学习
摘要
许多真实世界应用必须处理正-无标签(PU)学习问题，即从大量无标签数据和少量有标签正例学习二分类器。当前state-of-the-art方法采用重要性重加权来设计各种风险估计器，却忽略了模型自身的学习能力，而后者本可提供可靠监督。这促使我们提出一种新颖的Self-PU学习框架，将PU学习与自训练无缝结合。Self-PU强调三个面向“自”的构建模块：一个自步训练算法，在训练过程中自适应地发现并扩充置信正/负例；一个自校准的实例感知损失；以及一个自蒸馏方案，引入师生学习作为PU学习的有效正则化。我们在常用PU学习基准(MNIST和CIFAR-10)上展示了Self-PU的state-of-the-art性能，优于最新对手。此外，我们研究了一个PU学习的真实应用，即阿尔茨海默病的脑图像分类。在著名的阿尔茨海默病神经影像学倡议(ADNI)数据库上，Self-PU相较现有方法取得了显著改进的结果。代码公开于：https://github.com/TAMU-VITA/Self-PU。
引用
@article{arxiv.2006.11280,
title = {Self-PU: Self Boosted and Calibrated Positive-Unlabeled Training},
author = {Xuxi Chen and Wuyang Chen and Tianlong Chen and Ye Yuan and Chen Gong and Kewei Chen and Zhangyang Wang},
journal= {arXiv preprint arXiv:2006.11280},
year = {2020}
}
备注
ICML 2020 accepted