Mixup技术广泛适用于训练样本较少或监督信息不足场景,并在监督学习和半监督学习中展示了优越的性能。本文提出了一种适用于PU learning(Positive and Unlabeled learning)任务的mixup方法。本文基于“PU learning中分类决策面通常偏向于Positive类一侧”的现象,提出了“边缘伪负样本(marginal pseudo-negative instances)”的概念,这些样本很大概率上为正样本,却被标记为负的,从而导致PU learning的分类决策面偏离问题;据此,提出了面向PU learning的mixup技术的变体:mixup边缘伪负样本和分类决策面附近的正样本。多个数据集上的实验结果证明了本文提出的mixup方法的有效性。
https://openreview.net/forum?id=NH29920YEmj
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“MUPL” 就可以获取《[ICLR2022]PU learning(Positive and Unlabeled learning)任务的mixup方法》专知下载链接