論文の概要: Learning from Positive and Unlabeled Data with Augmented Classes
- arxiv url: http://arxiv.org/abs/2207.13274v1
- Date: Wed, 27 Jul 2022 03:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 13:47:09.597196
- Title: Learning from Positive and Unlabeled Data with Augmented Classes
- Title（参考訳）: 拡張クラスによるポジティブデータとラベルなしデータからの学習
- Authors: Zhongnian Li, Liutao Yang, Zhongchen Ma, Tongfeng Sun, Xinzheng Xu and
Daoqiang Zhang
- Abstract要約: Augmented Classes (PUAC) を用いたPU学習のための非バイアスリスク推定器を提案する。
提案手法は,最適解への収束を理論的に保証する推定誤差を導出する。
- 参考スコア（独自算出の注目度）: 17.97372291914351
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Positive Unlabeled (PU) learning aims to learn a binary classifier from only
positive and unlabeled data, which is utilized in many real-world scenarios.
However, existing PU learning algorithms cannot deal with the real-world
challenge in an open and changing scenario, where examples from unobserved
augmented classes may emerge in the testing phase. In this paper, we propose an
unbiased risk estimator for PU learning with Augmented Classes (PUAC) by
utilizing unlabeled data from the augmented classes distribution, which can be
easily collected in many real-world scenarios. Besides, we derive the
estimation error bound for the proposed estimator, which provides a theoretical
guarantee for its convergence to the optimal solution. Experiments on multiple
realistic datasets demonstrate the effectiveness of proposed approach.
- Abstract（参考訳）: Positive Unlabeled (PU) 学習は、多くの実世界のシナリオで使用される正および未ラベルのデータのみからバイナリ分類器を学習することを目的としている。
しかし、既存のPU学習アルゴリズムは、未観測の拡張クラスからの例がテストフェーズに現れるような、オープンで変化するシナリオにおいて、現実世界の課題に対処できない。
本稿では,多数の実世界のシナリオで容易に収集可能な拡張クラス分布からのラベル付きデータを活用することにより,PUACを用いたPU学習の非バイアスリスク推定手法を提案する。
さらに,提案した推定器に対する推定誤差を導出し,最適解への収束を理論的に保証する。
複数の現実的なデータセットの実験は、提案手法の有効性を示す。
関連論文リスト
- An Unbiased Risk Estimator for Partial Label Learning with Augmented Classes [46.663081214928226]
PLLACを理論的に保証した非バイアスリスク推定器を提案する。
PLLACの推定誤差の理論的解析を行う。
ベンチマーク、UCI、実世界のデータセットの実験では、提案手法の有効性が示されている。
論文 参考訳（メタデータ） (2024-09-29T07:36:16Z) - Meta-learning for Positive-unlabeled Classification [40.11462237689747]
提案手法は,モデルがPUデータに適用された後のテスト分類リスクを最小限に抑える。
この方法は各インスタンスをニューラルネットワークを使ってタスク固有の空間に埋め込む。
提案手法は1つの実世界のデータセットと3つの実世界のデータセットで既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-06-06T01:50:01Z) - PUAL: A Classifier on Trifurcate Positive-Unlabeled Data [29.617810881312867]
非対称損失(PUAL)を有するPU分類器を提案する。
我々は、PUALが非線形決定境界を得ることを可能にするカーネルベースのアルゴリズムを開発した。
シミュレーションと実世界の両方のデータセットの実験を通して、PUALはトリフルケートデータの良好な分類を実現できることを示す。
論文 参考訳（メタデータ） (2024-05-31T16:18:06Z) - SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。
我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。
本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
論文 参考訳（メタデータ） (2024-02-21T03:39:04Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - A Generalized Unbiased Risk Estimator for Learning with Augmented
Classes [70.20752731393938]
ラベルなしのデータが与えられた場合、非バイアスリスク推定器(URE)が導出され、理論的保証のあるLACでは最小限にすることができる。
理論的な保証を維持しつつ任意の損失関数を装備できる一般化されたUREを提案する。
論文 参考訳（メタデータ） (2023-06-12T06:52:04Z) - Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。
本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。
Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文 参考訳（メタデータ） (2023-03-21T09:07:15Z) - Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。
本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文 参考訳（メタデータ） (2021-02-13T07:31:16Z)
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。