English(EN) Focused PU learning from imbalanced data

新的PU学习方法在不平衡数据上表现优异

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-14 07:01

研究人员开发了一种新颖的正面和未标记（PU）学习方法，专门用于正面样本稀少且难以与负面样本区分的数据集。该方法利用聚焦的经验风险估计器来训练二元分类器，在不平衡数据集上的性能优于现有方法。该技术已在实际应用中证明了其有效性，包括检测财务报表错误。 AI

影响该方法可以提高机器学习模型在标记数据有限的领域（如欺诈检测和财务分析）中的准确性。

排序理由该集群描述了一篇关于新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

Hugging Face Daily Papers TIER_1 English(EN) · 2026-05-14 07:01

Focused PU learning from imbalanced data

We propose a new method of learning from positive and unlabeled (PU) examples in highly imbalanced datasets. Many real-world problems, such as disease gene identification, targeted marketing, fraud detection, and recommender systems, are hard to address with machine learning meth…