研究人员开发了 PUICL，一种预训练的 transformer 模型，能够通过上下文学习执行正负样本（PU）学习。这种方法无需针对特定数据集进行训练或迭代优化，即可快速解决任务。PUICL 在合成 PU 数据集上进行了训练，在 20 个基准测试中，其 AUC 和准确性均优于四个标准的 PU 学习基线。 AI
影响 将上下文学习扩展到半监督 PU 分类，有可能为标记数据有限的任务提供更快、更具适应性的解决方案。
排序理由 详细介绍一种新机器学习方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.05591v1 Announce Type: cross Abstract: Positive-unlabeled (PU) learning addresses binary classification when only a set of labeled positives is available alongside a pool of unlabeled samples drawn from a mixture of positives and negatives. Existing PU methods typicall…
Positive-unlabeled (PU) learning addresses binary classification when only a set of labeled positives is available alongside a pool of unlabeled samples drawn from a mixture of positives and negatives. Existing PU methods typically require dataset-specific training or iterative o…