[ICLR2022]PU learning(Positive and Unlabeled learning)任务的mixup方法

2022 年 2 月 2 日 专知


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


专知,专业可信的人工智能知识分发 ,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取70000+AI主题干货知识资料!


欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取70000+AI主题知识资源
登录查看更多
0

相关内容

【MIT】反偏差对比学习,Debiased Contrastive Learning
专知会员服务
90+阅读 · 2020年7月4日
【google】监督对比学习,Supervised Contrastive Learning
专知会员服务
31+阅读 · 2020年4月23日
【ICLR2022】序列生成的目标侧数据增强
专知
0+阅读 · 2022年2月14日
【ICLR2022-MIT】图关系域适应
专知
1+阅读 · 2022年2月9日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
【MIT】硬负样本的对比学习
专知
13+阅读 · 2020年10月15日
国家自然科学基金
41+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
31+阅读 · 2021年3月29日
Arxiv
17+阅读 · 2020年11月15日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
22+阅读 · 2018年8月30日
Arxiv
15+阅读 · 2018年2月4日
VIP会员
相关基金
国家自然科学基金
41+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员