基于边际置信度和Aranda Ordaz函数的缺失随机时的半监督混合模型
机器学习
2026-01-22 v1 机器学习
统计计算
统计方法学
摘要
本文提出了一种在缺失随机（Missing at Random, MAR）机制下进行的高斯混合模型半监督学习框架。该方法显式地通过建模缺失概率为分类不确定性函数来参数化缺失机制。为量化分类不确定性，我们引入边际置信度（margin confidence），并纳入Aranda Ordaz（AO）链接函数，以灵活捕捉不确定性与缺失概率之间的非对称关系。基于此表述，我们开发了一种高效的期望条件最大化（ECM）算法，联合估计同时出现于高斯混合模型（GMM）和缺失机制中的所有参数，随后依据拟合的混合模型推导的贝叶斯分类器来插值缺失标签。该方法有效缓解了忽略缺失机制所致的偏差，同时增强了半监督学习的鲁棒性。最终得到的具备不确定性感知能力的框架在缺失标签比例较大的真实MAR场景中能够实现可靠的分类性能。
引用
@article{arxiv.2601.14631,
title = {Semi-Supervised Mixture Models under the Concept of Missing at Radom with Margin Confidence and Aranda Ordaz Function},
author = {Jinyang Liao and Ziyang Lyu},
journal= {arXiv preprint arXiv:2601.14631},
year = {2026}
}
备注
8 pages, 7 figures