正-未标记学习与正-负学习的理论比较
机器学习
2016-10-31 v3 机器学习
摘要
在 PU 学习中，二元分类器由正类（P）和未标记（U）数据训练，而无负类（N）数据。尽管缺少 N 数据，它有时优于 PN 学习（即普通监督学习）。迄今尚未有理论或实验分析解释此现象。本文中，我们基于估计误差的上界从理论上比较 PU（及 NU）学习与 PN 学习。我们发现了 PU 和 NU 学习可能优于 PN 学习的简单条件，并证明：就上界而言，给定无限 U 数据时，PU 或 NU 学习（取决于类先验概率以及 P 和 N 数据的大小）之一将改进 PN 学习。我们的理论发现与人工和基准数据上的实验结果很吻合，即使实验设置与理论假设不完全匹配。
引用
@article{arxiv.1603.03130,
title = {Theoretical Comparisons of Positive-Unlabeled Learning against Positive-Negative Learning},
author = {Gang Niu and Marthinus Christoffel du Plessis and Tomoya Sakai and Yao Ma and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1603.03130},
year = {2016}
}
备注
NIPS 2016 camera-ready version