論文の概要: Soft Label PU Learning

• arxiv url: http://arxiv.org/abs/2405.01990v1
• Date: Fri, 3 May 2024 10:46:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 13:15:51.314788
• Title: Soft Label PU Learning
• Title（参考訳）: ソフトラベルPU学習
• Authors: Puning Zhao, Jintao Deng, Xu Cheng,
• Abstract要約: 本研究では,ラベルなしデータを正の確率に応じてソフトラベルに割り当てるソフトラベルPU学習を提案する。 TPR,FPR,AUCの基本的真理を考慮し,これらの指標のPUを設計し,検証データ中のソフトラベルPU学習手法の性能を評価する。
• 参考スコア（独自算出の注目度）: 9.66983903944539
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: PU learning refers to the classification problem in which only part of positive samples are labeled. Existing PU learning methods treat unlabeled samples equally. However, in many real tasks, from common sense or domain knowledge, some unlabeled samples are more likely to be positive than others. In this paper, we propose soft label PU learning, in which unlabeled data are assigned soft labels according to their probabilities of being positive. Considering that the ground truth of TPR, FPR, and AUC are unknown, we then design PU counterparts of these metrics to evaluate the performances of soft label PU learning methods within validation data. We show that these new designed PU metrics are good substitutes for the real metrics. After that, a method that optimizes such metrics is proposed. Experiments on public datasets and real datasets for anti-cheat services from Tencent games demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: PU学習とは、正のサンプルの一部のみをラベル付けする分類問題を指す。 既存のPU学習手法は、ラベルのないサンプルを等しく扱う。 しかし、常識やドメイン知識など、多くの実タスクにおいて、ラベルのないサンプルは、他のものよりも肯定的である可能性が高い。 本稿では,ラベルなしデータを正の確率に応じてソフトラベルに割り当てるソフトラベルPU学習を提案する。 TPR,FPR,AUCの根本的真理が不明であることを考えると,これらの指標のPU対応を設計して,検証データ内のソフトラベルPU学習手法の性能を評価する。 これらの新しい設計PUメトリクスは、実測値の代用として優れたものであることを示す。 その後、このようなメトリクスを最適化する手法が提案される。 Tencentゲームからの反チートサービスのための公開データセットと実際のデータセットの実験は、提案手法の有効性を実証している。

関連論文リスト

• Learning with Confidence: Training Better Classifiers from Soft Labels [0.0]
  教師付き機械学習では、モデルは通常、ハードラベルを持つデータ、すなわちクラスメンバーシップの明確な割り当てを用いて訓練される。 クラスラベル上の離散確率分布として表されるラベルの不確実性を組み込むことで,分類モデルの予測性能が向上するかどうかを検討する。
  論文  参考訳（メタデータ） (2024-09-24T13:12:29Z)
• Contrastive Approach to Prior Free Positive Unlabeled Learning [15.269090018352875]
  本稿では,前文不変表現学習を通じて特徴空間を学習することから始まる,新しいPU学習フレームワークを提案する。 提案手法は,いくつかの標準PUベンチマークデータセットにおいて,最先端のPU学習手法より優れている。
  論文  参考訳（メタデータ） (2024-02-08T20:20:54Z)
• Robust Positive-Unlabeled Learning via Noise Negative Sample Self-correction [48.929877651182885]
  正および未ラベルのデータから学ぶことは、文学における正の未ラベル(PU)学習として知られている。 本研究では,人間の学習の性質を動機とした学習戦略を取り入れた,新しい堅牢なPU学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-01T04:34:52Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Evaluating the Predictive Performance of Positive-Unlabelled Classifiers: a brief critical review and practical recommendations for improvement [77.34726150561087]
  Positive-Unlabelled (PU) 学習は機械学習の領域として成長している。 本稿では、PU分類器を提案する51の論文において、主要なPU学習評価手法と予測精度の選択について批判的にレビューする。
  論文  参考訳（メタデータ） (2022-06-06T08:31:49Z)
• Positive Unlabeled Contrastive Learning [14.975173394072053]
  自己教師型事前学習パラダイムを古典的正の未ラベル(PU)設定に拡張する。 PU固有のクラスタリング手法を用いて,ラベルのないサンプルを擬似ラベル付けする手法を開発した。 提案手法は,いくつかの標準PUベンチマークデータセットに対して,最先端のPU手法を手作業で上回っている。
  論文  参考訳（メタデータ） (2022-06-01T20:16:32Z)
• 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)
• A Novel Perspective for Positive-Unlabeled Learning via Noisy Labels [49.990938653249415]
  本研究では,初期疑似ラベルを雑音ラベルデータとして用いる非ラベルデータに割り当て,雑音ラベルデータを用いて深層ニューラルネットワークを訓練する手法を提案する。 実験の結果,提案手法は,いくつかのベンチマークデータセットにおいて,最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-03-08T11:46:02Z)
• Improving Positive Unlabeled Learning: Practical AUL Estimation and New Training Method for Extremely Imbalanced Data Sets [10.870831090350402]
  我々は2つの側面から、最先端技術に関するポジティブ・アンラベル(PU)学習を改善する。 まず,未ラベルサンプルの事前知識を必要とせずに生のPUデータを利用する,非バイアスの実用的なAUL推定法を提案する。 次に,極めて不均衡なデータセットに対する新しいトレーニング手法であるProbTaggingを提案する。
  論文  参考訳（メタデータ） (2020-04-21T08:32:57Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。