論文の概要: Rethinking Class-Prior Estimation for Positive-Unlabeled Learning

• arxiv url: http://arxiv.org/abs/2002.03673v2
• Date: Fri, 3 Jun 2022 07:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 07:39:54.865849
• Title: Rethinking Class-Prior Estimation for Positive-Unlabeled Learning
• Title（参考訳）: 正ラベル学習におけるクラス優先推定の再検討
• Authors: Yu Yao and Tongliang Liu and Bo Han and Mingming Gong and Gang Niu and Masashi Sugiyama and Dacheng Tao
• Abstract要約: 正(P)データとラベルなし(U)データのみを与えられたPU学習は、負のデータなしでバイナリ分類器を訓練することができる。 また, 分布推定自由なCPE法は, 正のデータ分布の支持が負のデータ分布の支持に含まれないという批判的な仮定に依拠している。 本稿では、正のデータ分布の支持が負のデータ分布の支持に含まれないように、補助確率分布を構築する再分類CPE(Regrouping CPE)を提案することにより、肯定的な回答を示す。
• 参考スコア（独自算出の注目度）: 199.51740898051486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given only positive (P) and unlabeled (U) data, PU learning can train a binary classifier without any negative data. It has two building blocks: PU class-prior estimation (CPE) and PU classification; the latter has been well studied while the former has received less attention. Hitherto, the distributional-assumption-free CPE methods rely on a critical assumption that the support of the positive data distribution cannot be contained in the support of the negative data distribution. If this is violated, those CPE methods will systematically overestimate the class prior; it is even worse that we cannot verify the assumption based on the data. In this paper, we rethink CPE for PU learning-can we remove the assumption to make CPE always valid? We show an affirmative answer by proposing Regrouping CPE (ReCPE) that builds an auxiliary probability distribution such that the support of the positive data distribution is never contained in the support of the negative data distribution. ReCPE can work with any CPE method by treating it as the base method. Theoretically, ReCPE does not affect its base if the assumption already holds for the original probability distribution; otherwise, it reduces the positive bias of its base. Empirically, ReCPE improves all state-of-the-art CPE methods on various datasets, implying that the assumption has indeed been violated here.
• Abstract（参考訳）: 正(P)データとラベルなし(U)データのみを与えられたPU学習は、負のデータなしでバイナリ分類器を訓練することができる。 puクラス優先推定(pu class-prior estimation, cpe)とpu分類(pu classification)の2つのビルディングブロックがある。 また, 分布推定自由なCPE法は, 正のデータ分布の支持が負のデータ分布の支持に含まれないという批判的な仮定に依拠している。 これが違反した場合、これらのcpeメソッドは、事前にクラスを体系的に過大評価します。 本稿では,CPEをPU学習に再考する。CPEを常に有効にするという仮定を排除できるか? 正データ分布の支持が負のデータ分布の支持に含まれないように補助確率分布を構築する再グループ化cpe(recpe)を提案することで肯定的な回答を示す。 ReCPEは、ベースメソッドとして扱うことで、任意のCPEメソッドで動作する。 理論的には、ReCPEは、仮定が元の確率分布に対して既に成り立つならば、その基底に影響を与えない。 実証的には、ReCPEはさまざまなデータセット上のすべての最先端のCPEメソッドを改善し、この仮定が実際にここで破られたことを示唆している。

関連論文リスト

• Three Heads Are Better Than One: Complementary Experts for Long-Tailed Semi-supervised Learning [74.44500692632778]
  本稿では,様々なクラス分布をモデル化するComPlementary Experts (CPE) を提案する。 CPEは、CIFAR-10-LT、CIFAR-100-LT、STL-10-LTのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-12-25T11:54:07Z)
• LIPEx-Locally Interpretable Probabilistic Explanations-To Look Beyond The True Class [17.12486200215929]
  LIPExは摂動に基づく多クラス説明フレームワークである。 重要と思われるすべての機能が、可能なクラス毎に予測確率にどのように影響するかについて、洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-07T15:31:38Z)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)
• Learnable Distribution Calibration for Few-Shot Class-Incremental Learning [122.2241120474278]
  FSCIL(Few-shot class-incremental Learning)は、古いクラス分布を記憶し、少数のトレーニングサンプルから新しいクラス分布を推定するという課題に直面している。 本稿では,これら2つの課題を統一フレームワークを用いて体系的に解決することを目的とした,学習可能な分布校正手法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:40:26Z)
• Robust and Efficient Imbalanced Positive-Unlabeled Learning with Self-supervision [1.5675763601034223]
  textitImPULSeS, underlineIm Balanced underlinePositive underlineUnlabeled underlineLearningを提案する。 我々は、ImPULSeSが過去の最先端のエラー率を半減できることを示すために、複数のデータセットで異なる実験を行った。
  論文  参考訳（メタデータ） (2022-09-06T12:54:59Z)
• Bayes in Wonderland! Predictive supervised classification inference hits unpredictability [1.8814209805277506]
  デ・フィネッティ型の交換性の下でsBpcとmBpcの収束を示す。 また、分割交換可能なシーケンスを生じる生成モデルのパラメータ推定も行う。
  論文  参考訳（メタデータ） (2021-12-03T12:34:52Z)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)
• Rethinking Ranking-based Loss Functions: Only Penalizing Negative Instances before Positive Ones is Enough [55.55081785232991]
  負のインスタンスを正のインスタンスの前にペナルティ化するだけで十分である、と我々は主張する。 APベースの損失に従う代わりに、我々は新たな損失、すなわち、正のインスタンス(PNP)の前に負のインスタンスを罰することを提案する。 PNP-Dは、1つのクラスに複数のローカルクラスタを含む実世界のデータに適している。
  論文  参考訳（メタデータ） (2021-02-09T04:30:15Z)
• Learning from Positive and Unlabeled Data with Arbitrary Positive Shift [11.663072799764542]
  本稿では,未ラベルデータに対して任意の非表現陽性データであってもPU学習が可能であることを示す。 これを統計的に一貫した2つの手法に統合し、任意の正のバイアスに対処する。 実験により,多数の実世界のデータセットにまたがる手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-02-24T13:53:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。