PulseAugur
中
实时 07:04:46
English(EN) AUC Maximization from Biased Positive-unlabeled Data with Confidence

新方法解决有偏数据以最大化机器学习中的AUC

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新方法，用于在处理有偏的阳性-无标签（PU）数据时最大化接收者操作特征曲线下面积（AUC）。该方法解决了现实世界中常见的挑战，即标记的阳性数据可能不能代表真实的阳性分布。关键创新在于利用“置信度”——一个实例为阳性的概率——来推导AUC风险估计器，从而即使在有偏样本下也能有效最大化AUC。该方法被证明在置信度度量是真实后验概率的任何严格递增变换时是贝叶斯最优的，并在八个真实世界数据集上进行了实验验证。 AI

影响 改进了处理不平衡数据集的AUC最大化技术，可能提高模型在现实分类任务中的性能。

排序理由 学术论文，详细介绍了一种新的机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法解决有偏数据以最大化机器学习中的AUC

本文如何被排名

Signal score
25 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
学术论文，详细介绍了一种新的机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Breaking (< 6h)
Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Atsutoshi Kumagai, Tomoharu Iwata, Hiroshi Takahashi, Taishi Nishiyama, Kazuki Adachi, Yasuhiro Fujiwara ·

    利用置信度从有偏的正面-未标记数据中最大化AUC

    arXiv:2609.10928v1 Announce Type: cross Abstract: Maximizing the area under the receiver operating characteristic curve (AUC) is a standard approach to imbalanced binary classification. Although positive and negative data are required for maximizing the AUC, negative data are oft…

相关实体

相关话题