English(EN) Partial AUC Maximization from Positive-unlabeled Data

新方法使用正负样本未知数据最大化pAUC

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-02 04:00

研究人员开发了一种新方法，仅使用正样本和未知样本数据来最大化接收者操作特征曲线下的部分面积（pAUC）。该方法解决了在网络安全和医疗保健等实际应用中，标记负样本数据稀缺或难以获取的常见挑战。所提出的方法在经验风险最小化框架内，使用正密度和边际密度来表示pAUC，并从PU数据中推导出经验估计器来训练分类器。 AI

影响这项研究可以提高在负样本数据稀缺领域中分类器的性能，从而可能增强网络安全和医学诊断等应用。

排序理由学术论文，详细介绍了从PU数据中最大化pAUC的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了从PU数据中最大化pAUC的新方法。[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]

arXiv cs.AI TIER_1 English(EN) · Atsutoshi Kumagai, Tomoharu Iwata, Taishi Nishiyama, Hiroshi Takahashi, Kazuki Adachi, Yasuhiro Fujiwara · 2026-10-02 04:00

从正负样本不平衡数据中最大化部分AUC

arXiv:2610.00284v1 Announce Type: cross Abstract: The partial area under the receiver operating characteristic curve (pAUC) is an important performance metric for binary classification that summarizes true positive rates within a specific range of false positive rates (FPRs). Cla…

本文如何被排名

报道来源 [1]

从正负样本不平衡数据中最大化部分AUC

相关实体

相关话题