.png){kind=icon}
返回
An evolutionary multitasking method for positive and unlabeled learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114673.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
正例与未标记（PU）学习由于标签不确定性面临重大挑战，因为未标记数据可能同时包含正例和反例样本。大多数现有的PU算法主要关注识别可靠的负样本或从未标记集合中提取正例和负例样本。然而，在许多实际场景中，正例样本数量有限。因此，发现更多可靠的正例对于提升PU分类性能至关重要。尽管其重要性显著，但这一问题尚未引起足够关注。为填补这一空白，我们将PU学习首次表述为一个多任务优化问题，并提出了一种新型进化多任务算法，称为EMT-PU。具体而言，在EMT-PU中，我们定义了两个任务：一个旨在识别更多正例的辅助任务（Ta）和一个遵循标准PU分类设置的原始任务（To）。两个种群Pa和Po分别独立进化以解决Ta和To。此外，设计了一种双向跨任务知识迁移策略以增强两个任务，并通过Pa和Po之间的迁移实现。Pa中的知识提升了Po中个体的质量，而Po中的知识则促进了Pa的多样性。进一步地，采用了一种基于竞争的初始化策略以加速Pa的收敛。在12个多样化的PU基准数据集上的大量实验表明，EMT-PU在分类准确率方面始终优于几种最先进的PU学习方法。
