研究人员开发了一个名为PUe的新框架，通过解决现实世界数据集中选择偏差来增强正例-无标签（PU）学习。该框架建立在Bekker等人先前的工作基础上，引入了归一化的逆概率加权PU风险公式，并与现代成本敏感方法集成。在MNIST、CIFAR-10和ADNI等数据集上的实验表明，在标签分布不均时，PUe的表现优于现有的PU基线。 AI
影响 这项研究可以提高在经常存在标签偏差的现实世界数据上训练的机器学习模型的准确性。
排序理由 该集群包含一篇详细介绍新机器学习框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.13428v1 Announce Type: new Abstract: Positive-Unlabeled (PU) learning aims to achieve high-accuracy binary classification with limited labeled positive examples and numerous unlabeled ones. Existing cost-sensitive-based methods often rely on strong assumptions that exa…
Positive-Unlabeled (PU) learning aims to achieve high-accuracy binary classification with limited labeled positive examples and numerous unlabeled ones. Existing cost-sensitive-based methods often rely on strong assumptions that examples with an observed positive label were selec…