IEEE TPAMI | 基于标注偏差估计的实例相关PU学习

现实生活中，许多情况下由于负类样本的获取比较困难或负类样本太过多样，因此模型训练时只有正样本和大量的未标注样本。为处理这种情况，PU学习（Positive and Unlabeled Learning，简称PU learning）被提出，以处理只有正类和未标注数据情况下的分类器训练问题。本文研究了实例相关的PU分类，具体是指其中一个正样本是否会被标注（由 s 表示）不仅与类别标签 y 相关，还取决于特征向量x 。换而言之，正样本被标注的概率并不满足以前工作的假设——即所有正样本以相同概率被均匀标注。因此，本文提出了标注偏差估计的方法来处理这种实例相关的PU学习问题。目前，该文已发表于人工智能国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》。