arXiv 机器学习· Atsutoshi Kumagai, Tomoharu Iwata, Taishi Nishiyama, Hiroshi Takahashi, Kazuki Adachi, Yasuhiro Fujiwara·· 5 小时前AI 评分31
基于正样本与无标签数据的 Partial AUC 最大化方法
Partial AUC Maximization from Positive-unlabeled Data
AI 导读
研究人员提出了一种仅利用正样本和无标签（PU）数据直接最大化部分 ROC 曲线下面积（pAUC）的方法，无需依赖标注负样本。该方法在经验风险最小化框架下，仅通过正样本和边缘密度来表征包含 FPR 相关阈值的 pAUC，并构建平滑经验估计器训练分类器。在 10 个真实世界数据集上的实验验证了该方法的有效性。
来源：arXiv 机器学习 · arxiv.org