論文の概要: PUe: Biased Positive-Unlabeled Learning Enhancement by Causal Inference

• arxiv url: http://arxiv.org/abs/2607.13428v1
• Date: Wed, 15 Jul 2026 04:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.636204
• Title: PUe: Biased Positive-Unlabeled Learning Enhancement by Causal Inference
• Title（参考訳）: PUe:因果推論によるバイアス付きポジティブ・アンラベル学習の強化
• Authors: Xutao Wang, Hanting Chen, Tianyu Guo, Yunhe Wang,
• Abstract要約: Positive-Unlabeled (PU) 学習は,ラベル付き正の限られた例と多数の未ラベルの例を用いて,高精度なバイナリ分類を実現することを目的としている。 本稿では,正規化確率スコアと正規化逆確率重み付けを用いたPU学習強化フレームワークについて検討する。 MNIST, CIFAR-10, ADNIの実験では, 非一様ラベル分布下でのPUベースラインの改善が示されている。
• 参考スコア（独自算出の注目度）: 30.925593450717702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Positive-Unlabeled (PU) learning aims to achieve high-accuracy binary classification with limited labeled positive examples and numerous unlabeled ones. Existing cost-sensitive-based methods often rely on strong assumptions that examples with an observed positive label were selected entirely at random. In fact, the uneven distribution of labels is prevalent in real-world PU problems, indicating that most actual positive and unlabeled data are subject to selection bias. Building on the SAR-PU propensity-weighted framework of Bekker et al., we study a PU learning enhancement (PUe) framework using normalized propensity scores and normalized inverse probability weighting (NIPW). PUe's main contributions are a normalized inverse-probability-weighted PU risk formulation; additional theoretical analyses of normalized sample-weight error and common PU estimators under biased labeling; regularized deep propensity-score estimation; integration with modern cost-sensitive PU methods; and support for selectively labeled negative classes. Experiments on MNIST, CIFAR-10, and ADNI demonstrate improvements over several PU baselines under non-uniform label distributions.
• Abstract（参考訳）: Positive-Unlabeled (PU) 学習は,ラベル付き正の限られた例と多数の未ラベルの例を用いて,高精度なバイナリ分類を実現することを目的としている。 既存のコスト感受性に基づく手法は、観測された正のラベルを持つ例が完全にランダムに選択されたという強い仮定に依存することが多い。 実際、ラベルの不均一な分布は現実世界のPU問題で一般的であり、実際の正および未ラベルのデータが選択バイアスの対象であることが示される。 本研究では, 正規化確率スコアと正規化逆確率重み付け(NIPW)を用いたPU学習強化(PUe)フレームワークについて検討した。 PUeの主な貢献は、正規化逆確率重み付きPUリスクの定式化、偏りラベルの下での正規化サンプル重み誤差と一般的なPU推定器のさらなる理論的解析、正規化深度相対性スコア推定、近代的なコスト感受性PUメソッドの統合、選択ラベル付き負のクラスのサポートである。 MNIST, CIFAR-10, ADNIの実験では, 非一様ラベル分布下でのPUベースラインの改善が示されている。

関連論文リスト

• The Unfairness of Multifactorial Bias in Recommendation [68.35079031029616]
  人気バイアスと肯定バイアスは推薦システムにおいて顕著なバイアス源である。 本研究では,多因子バイアスが項目側の公平性にどのように影響するかを検討する。 我々は、多因子バイアスを軽減するために、パーセンタイルに基づく評価変換を前処理戦略として適用する。
  論文  参考訳（メタデータ） (2026-01-19T08:37:43Z)
• Learning from positive and unlabeled examples -Finite size sample bounds [5.015294654768579]
  PU学習は教師付き分類学習の変種であり、学習者に明かされたラベルだけが正のラベル付きインスタンスである。 本稿では,PU学習の統計的複雑さを,より広い範囲で理論的に解析する。
  論文  参考訳（メタデータ） (2025-07-10T00:39:40Z)
• 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)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Positive Unlabeled Learning Selected Not At Random (PULSNAR): class proportion estimation when the SCAR assumption does not hold [2.76815720120527]
  PU学習(Positive and Unlabeled learning)は、半教師付きバイナリ分類の一種である。 PU学習は、確認された負が利用できない、あるいは入手が難しい設定において幅広い応用がある。 2つのPU学習アルゴリズムを提案し、$alpha$を推定し、PUインスタンスの確率を計算し、分類基準を改善する。
  論文  参考訳（メタデータ） (2023-03-14T23:16:22Z)
• 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)
• 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)

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。