热点事件持续更新
研究提出基于PU数据的Partial AUC最大化方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月，研究人员提出了一种基于正样本和无标签（PU）数据的Partial AUC（pAUC，部分ROC曲线下面积）直接最大化方法，旨在摆脱对标注负样本的依赖。该方法置于经验风险最小化框架下，仅利用正样本和边缘密度来表征包含假正率（FPR）相关阈值的pAUC，并据此构建了平滑经验估计器来训练分类器。在10个真实世界数据集上的实验结果表明，该方法有效验证了其在PU场景下的分类性能。
AI 根据报道生成 · 2 小时前更新
最新进展10月2日 12:00
研究人员提出利用PU数据直接最大化pAUC的方法并在10个数据集上验证了有效性。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv 机器学习基于正样本与无标签数据的 Partial AUC 最大化方法
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。