返回
Focused PU learning from imbalanced data
DOI:10.1007/s10618-026-01264-1.png)
摘要
En 中文
我们提出了一种在高度不平衡数据集中从正例和未标记(PU)样本中学习的新方法。许多现实世界问题,如疾病基因识别、目标营销、欺诈检测和推荐系统,由于标注数据有限,难以用机器学习方法解决。通常训练数据包含正例和未标记实例,后者通常由负例主导,但也包括一些正例。虽然PU学习已得到广泛研究,但鲜有方法针对不平衡设置或难以检测的、与负例相似的难分正例。我们的方法采用聚焦的经验风险估计器,结合正例和未标记样本来训练二分类器。经验评估表明,该方法在两种标注机制——完全随机选择正例(SCAR)和随机选择(SAR)下,在不平衡数据集上实现了最先进的性能。除这些受控实验外,我们还展示了该方法在金融错报检测这一现实世界应用中的价值。
Keyword:
PU learning
Imbalanced classification
Weakly supervised learning
Learning with noisy labels
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.3
论文数:
210
被引数:
6.0K
机构
引用论文
C-PUGP: A cluster-based positive unlabeled learning method for disease gene prediction and prioritizationC-PUGP:一种用于疾病基因预测和优先排序的基于聚类的半监督学习方法
Semi-supervised learning of class balance under class-prior change by distribution matching
NEURAL NETWORKS
IF6.3

