論文の概要: AUC Maximization from Biased Positive-unlabeled Data with Confidence

• arxiv url: http://arxiv.org/abs/2609.10928v1
• Date: Thu, 10 Sep 2026 00:22:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.167686
• Title: AUC Maximization from Biased Positive-unlabeled Data with Confidence
• Title（参考訳）: 信頼を伴うバイアス付き正のラベルなしデータからのAUCの最大化
• Abstract要約: 偏りのあるPUデータからAUCを最大化する手法を提案する。 我々は、信頼度のある偏りのあるPUデータを用いて、AUCリスクを推定する。 実世界の8つのデータセットに対して,本手法の有効性を実験的に示す。
• 参考スコア（独自算出の注目度）: 35.99400750792333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maximizing the area under the receiver operating characteristic curve (AUC) is a standard approach to imbalanced binary classification. Although positive and negative data are required for maximizing the AUC, negative data are often difficult to collect in some real-world applications due to privacy concerns or the need for specialized expertise to annotate them. Thus, AUC maximization from positive and unlabeled (PU) data has been attracting attention. Existing methods assume that labeled positive data are unbiased samples from the true positive distribution. However, this ideal assumption is often violated in practice. In this paper, we propose a method to maximize the AUC from biased PU data. To address the bias, our key idea is to exploit {\it confidence}, i.e., the probability that an instance is positive, associated with the small number of labeled positive data. We derive an estimator of the AUC risk using biased PU data with confidence, enabling AUC maximization under such bias. We further show that the rewritten AUC risk induces a Bayes-optimal AUC ranking even when the available confidence is any strictly increasing transformation of the true posterior probability. We experimentally show the effectiveness of our method on eight real-world datasets.
• Abstract（参考訳）: 受信器動作特性曲線(AUC)の下での面積の最大化は、不均衡二項分類に対する標準的なアプローチである。 AUCの最大化には肯定的かつ否定的なデータが必要であるが、プライバシー上の懸念や注釈付けのための専門知識の必要性のため、現実のアプリケーションでは否定的なデータが収集することがしばしば困難である。 このように、正およびラベルなし(PU)データからのAUCの最大化が注目されている。 既存の手法では、ラベル付き正のデータは真の正の分布から無バイアスのサンプルであると仮定している。 しかし、この理想的な仮定は実際はしばしば破られる。 本稿では、偏りのあるPUデータからAUCを最大化する手法を提案する。 このバイアスに対処するため、我々のキーとなるアイデアは「信頼」、すなわち、インスタンスが正である確率を、ラベル付きされた少数の正のデータと関連付けることである。 このようなバイアス下でのAUCの最大化を可能にするため、信頼性のあるバイアス付きPUデータを用いてAUCリスクを推定する。 さらに,書き直されたAUCリスクは,真後確率が厳格に増加してもベイズ最適AUCランキングを誘導することを示した。 実世界の8つのデータセットに対して,本手法の有効性を実験的に示す。

関連論文リスト

• Focused PU learning from imbalanced data [4.306924266919574]
  病気の遺伝子識別、ターゲットマーケティング、不正検出、レコメンダシステムといった現実世界の多くの問題は、機械学習の手法では対処が難しい。 高い不均衡なデータセットにおいて、正およびラベルなし(PU)の例から学習する新しい方法を提案する。
  論文  参考訳（メタデータ） (2026-05-14T07:01:57Z)
• 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)
• Cost-Sensitive Unbiased Risk Estimation for Multi-Class Positive-Unlabeled Learning [33.15955234458642]
  Positive--Unlabeled (PU) 学習では、正の値と未ラベルのデータしか利用できない設定が考慮されている。 強調損失重み付けに基づくコスト依存型多クラスPU法を提案する。 textbfeight公開データセットの実験では、様々なクラスの事前値とクラスの数にまたがって、精度と安定性の両方において、強いベースラインよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2025-10-29T07:01:32Z)
• Beyond RMSE and MAE: Introducing EAUC to unmask hidden bias and unfairness in dyadic regression models [5.336076422485076]
  非均一な観測値分布が、最先端のモデルに深刻なバイアスをもたらすことを示す。 我々は、すべての研究領域とモデルでそれを定量化できる新しい指標として、Eccentricity-Area Under the Curve (EAUC)を紹介した。
  論文  参考訳（メタデータ） (2024-01-19T13:41:08Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Balanced Self-Paced Learning for AUC Maximization [88.53174245457268]
  既存のセルフパッチ方式は、ポイントワイズAUCに限られている。 我々のアルゴリズムは閉形式解に基づいて定常点に収束する。
  論文  参考訳（メタデータ） (2022-07-08T02:09:32Z)
• Classification from Positive and Biased Negative Data with Skewed Labeled Posterior Probability [0.0]
  正負負の分類問題 (PbN) にアプローチする新しい手法を提案する。 本手法は, 観測データの正の後方確率を表すスキュード信頼による負の影響を補正する手法を組み込んだものである。
  論文  参考訳（メタデータ） (2022-03-11T04:31:35Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• 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。