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

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