論文の概要: In-Context Positive-Unlabeled Learning

• arxiv url: http://arxiv.org/abs/2605.05591v1
• Date: Thu, 07 May 2026 02:17:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.486841
• Title: In-Context Positive-Unlabeled Learning
• Title（参考訳）: In-Context Positive-Unlabeled Learning
• Authors: Siyan Liu, Yi Chang, Manli Cheng, Qinglong Tian, Pengfei Li,
• Abstract要約: PUICLは、教師あり学習を通してPU分類を完全に解き、事前訓練された変換器である。 PUICLは、ランダムにインスタンス化された構造因果モデルから生成される合成PUデータセットに事前訓練される。 20の半合成PUベンチマークでは、PUICLは平均的なAUCと精度で4つの標準PU学習ベースラインを上回り、F1スコアで競合する。
• 参考スコア（独自算出の注目度）: 15.73766898767159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Positive-unlabeled (PU) learning addresses binary classification when only a set of labeled positives is available alongside a pool of unlabeled samples drawn from a mixture of positives and negatives. Existing PU methods typically require dataset-specific training or iterative optimization, which limits their applicability when many tasks must be solved quickly or with little tuning. We introduce PUICL, a pretrained transformer that solves PU classification entirely through in-context learning. PUICL is pretrained on synthetic PU datasets generated from randomly instantiated structural causal models, exposing it to a wide range of feature-label relationships and class-prior configurations. At inference time, PUICL receives the labeled positives and the unlabeled samples as a single input and returns class probabilities for the unlabeled rows in one forward pass, with no gradient updates or per-task fitting. On 20 semi-synthetic PU benchmarks derived from the UCI Machine Learning Repository, OpenML, and scikit-learn, PUICL outperforms four standard PU learning baselines in average AUC and accuracy, and is competitive on F1-score. These results show that the in-context learning paradigm extends naturally beyond fully supervised tabular prediction to the semi-supervised PU setting.
• Abstract（参考訳）: PU(Positive-unlabeled)学習は、正と負の混合物から抽出された未ラベルのサンプルのプールと一緒にラベル付き正のセットのみを利用できる場合のバイナリ分類に対処する。 既存のPUメソッドは通常、データセット固有のトレーニングや反復的な最適化を必要とし、多くのタスクを迅速に解決する必要がある場合や、チューニングの少ない場合、適用性を制限する。 PUICLは、文脈内学習を通じてPU分類を完全に解き、事前訓練された変換器である。 PUICLは、ランダムにインスタンス化された構造因果モデルから生成された合成PUデータセットに基づいて事前訓練され、幅広い特徴-ラベル関係とクラス-優先度設定に公開される。 推測時、PUICLはラベル付き正と未ラベルのサンプルを単一の入力として受信し、1つのフォワードパスでラベルなし行のクラス確率を返す。 UCI Machine Learning Repository、OpenML、Scikit-learnから派生した20の半合成PUベンチマークでは、PUICLは平均AUCと精度で4つの標準PU学習ベースラインを上回り、F1スコアで競合する。 これらの結果は、文脈内学習パラダイムが、完全に教師付き表形式予測から半教師付きPU設定まで自然に拡張されていることを示している。

関連論文リスト

• Noisy-Pair Robust Representation Alignment for Positive-Unlabeled Learning [24.345089357698985]
  Negative-Unlabeled (PU) 学習の目的は、限られた正のデータと豊富な未ラベルのデータしか利用できないバイナリ分類器を訓練することである。 補助情報を必要としない非競合型PU学習フレームワークであるNcPUを提案する。 我々は,NcPUが様々なデータセットにまたがって最先端のPUメソッドよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2025-09-30T18:22:30Z)
• Accessible, Realistic, and Fair Evaluation of Positive-Unlabeled Learning Algorithms [54.58593451541316]
  本稿では,PU学習アルゴリズムを体系的に比較する最初のPU学習ベンチマークを提案する。 PU学習アルゴリズムの現実的かつ公正な評価に影響を及ぼす微妙で重要な要因を同定する。
  論文  参考訳（メタデータ） (2025-09-29T03:13:00Z)
• Understanding Contrastive Representation Learning from Positive Unlabeled (PU) Data [28.74519165747641]
  本稿では,少数のラベル付き正のセットと大きなラベル付きプールのみを利用できる,正のラベル付き学習(PU)の課題について検討する。 比較対象を減少させる非バイアスで分散した正の非ラベル型コントラスト学習(puCL)を導入する。 本稿では, 未ラベルのサンプルをソフトな正の混合物として再重み付けする, 事前認識型拡張である Positive Unlabeled InfoNCE (puNCE) を提案する。
  論文  参考訳（メタデータ） (2024-02-08T20:20:54Z)
• 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)
• CLIPood: Generalizing CLIP to Out-of-Distributions [73.86353105017076]
  対照的に、CLIP(Language-image Pre-training)モデルでは、印象的なゼロショット能力を示しているが、下流タスクにおけるCLIPのさらなる適応は、OODのパフォーマンスを好ましくない劣化させる。 ドメインシフトとオープンクラスの両方が見えないテストデータ上で発生する可能性があるOOD状況にCLIPモデルを適用するための微調整手法であるCLIPoodを提案する。 さまざまなOODシナリオによるさまざまなデータセットの実験は、CLIPoodが既存の一般化テクニックを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-02-02T04:27:54Z)
• 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)
• Uncertainty-aware Pseudo-label Selection for Positive-Unlabeled Learning [10.014356492742074]
  本稿では,正の未ラベル学習環境における不均衡データセットとモデル校正の問題に取り組むことを提案する。 マイノリティクラスからのシグナルを増強することにより、擬似ラベル付けはラベル付きデータセットをラベル付きデータセットから新しいサンプルで拡張する。 PUUPLは一連の実験において、高度に不均衡な設定で大幅な性能向上をもたらす。
  論文  参考訳（メタデータ） (2022-01-31T12:55:47Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)
• On Leveraging Unlabeled Data for Concurrent Positive-Unlabeled Classification and Robust Generation [72.062661402124]
  余分なデータに晒された場合,PU分類と条件生成を共同で目標とする新たなトレーニングフレームワークを提案する。 我々は,CNI-CGANの最適条件を実証し,多様なデータセットについて広範な評価を行った。
  論文  参考訳（メタデータ） (2020-06-14T08:27:40Z)

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。