論文の概要: Partial AUC Maximization from Positive-unlabeled Data

• arxiv url: http://arxiv.org/abs/2610.00284v1
• Date: Fri, 25 Sep 2026 03:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.592315
• Title: Partial AUC Maximization from Positive-unlabeled Data
• Title（参考訳）: 正の未ラベルデータによる部分AUCの最大化
• Abstract要約: 正およびラベルなし(PU)データから陰データなしでpAUCを最大化する手法を提案する。 10個の実世界のデータセットを用いて提案手法の有効性を実験的に実証した。
• 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: The partial area under the receiver operating characteristic curve (pAUC) is an important performance metric for binary classification that summarizes true positive rates within a specific range of false positive rates (FPRs). Classifiers that achieve high pAUC need to be obtained in many real-world applications such as cybersecurity, medical care, and advertising. Although many methods for maximizing the pAUC have been proposed, they typically require both labeled positive and negative data for training. However, in practice, labeled negative data are often difficult to collect due to privacy concerns or the need for high expertise to annotate them. In this paper, we propose a method for maximizing the pAUC from positive and unlabeled (PU) data without negative data. Within an empirical risk minimization framework, we show that the pAUC, including its FPR-dependent thresholds, can be represented using only the positive and marginal densities, and derive an empirical estimator from PU data. A classifier is then trained by maximizing the derived smoothed empirical pAUC estimator. We experimentally demonstrate the effectiveness of the proposed method with ten real-world datasets.
• Abstract（参考訳）: 受信機動作特性曲線(pAUC)の下の部分領域は、特定の偽陽性率(FPR)の範囲内で真の正の値を要約する二項分類における重要な性能指標である。 高いpAUCを達成する分類器は、サイバーセキュリティ、医療、広告など、多くの現実世界のアプリケーションで入手する必要がある。 pAUCを最大化するための多くの方法が提案されているが、通常、トレーニングには正と負の両方のラベル付きデータが必要である。 しかし、実際には、プライバシー上の懸念や注釈付けに高度な専門知識を必要とするため、ラベル付き負のデータを集めることはしばしば困難である。 本稿では,pAUCを正およびラベルなし(PU)データから負のデータなしで最大化する手法を提案する。 経験的リスク最小化フレームワークでは、FPR依存しきい値を含むpAUCを正および辺縁密度のみを用いて表現し、PUデータから経験的推定器を導出できることが示されている。 次に、導出されたスムーズな経験的pAUC推定器を最大化して分類器を訓練する。 10個の実世界のデータセットを用いて提案手法の有効性を実験的に実証した。

関連論文リスト

• AUC Maximization from Biased Positive-unlabeled Data with Confidence [35.99400750792333]
  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。
  論文  参考訳（メタデータ） (2026-09-10T00:22:57Z)
• On Reliability of Efficient Membership Inference Vulnerability Evaluation [7.327728640900649]
  メンバーシップ推論攻撃(MIA)は、トレーニングデータ中の機密情報の漏洩を経験的に評価するための一般的な手法である。 MIAスコアに基づくTPRの評価は、複数の個人と複数のターゲットモデルに対して平均化されることが多いことを示す。 異なるサンプル間でFPRを効果的に校正するための後処理手法を提案する。
  論文  参考訳（メタデータ） (2026-05-25T13:16:39Z)
• Reward-Augmented Data Enhances Direct Preference Alignment of LLMs [63.32585910975191]
  報奨条件付き大言語モデル(LLM)を導入し、データセット内の応答品質のスペクトル全体から学習する。 当社のアプローチは,DPOをかなりのマージンで継続的に向上させることを示す。 本手法は,嗜好データの有用性を最大化するだけでなく,未学習の問題も軽減し,データ拡張を超えてその広範な効果を実証する。
  論文  参考訳（メタデータ） (2024-10-10T16:01:51Z)
• 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)
• Joint empirical risk minimization for instance-dependent positive-unlabeled data [4.112909937203119]
  正とラベルなしのデータ(PU学習)からの学習は、機械学習のタスクとして積極的に研究されている。 目標は、ラベル付きインスタンスとラベルなしインスタンスの一部を含むデータセットに基づいて、バイナリ分類モデルをトレーニングすることだ。 ラベルなし集合は、残りの部分の正と全ての負の観察を含む。
  論文  参考訳（メタデータ） (2023-12-27T12:45:12Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
  本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。 実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
  論文  参考訳（メタデータ） (2023-03-11T11:42:26Z)
• Learning from Positive and Unlabeled Data with Augmented Classes [17.97372291914351]
  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。
  論文  参考訳（メタデータ） (2022-07-27T03:40:50Z)
• RATT: Leveraging Unlabeled Data to Guarantee Generalization [96.08979093738024]
  ラベルのないデータを利用して一般化境界を生成する手法を紹介します。 境界が0-1経験的リスク最小化に有効であることを証明します。 この作業は、見えないラベル付きデータが利用できない場合でも、ディープネットの一般化を証明するためのオプションを実践者に提供します。
  論文  参考訳（メタデータ） (2021-05-01T17:05:29Z)

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。