Automatic Debiased Learning from Positive, Unlabeled, and Exposure Data

要約

ポジティブ データに選択バイアスがあるポジティブ データとラベルなしデータ (PU 分類) からのバイナリ分類の問題に対処します。
観察プロセス中、(i) サンプルがユーザーに公開され、(ii) ユーザーは公開されたサンプルのラベルを返却し、(iii) ただし、陽性サンプルのみを観察できます。
したがって、私たちが観察する陽性標識は、暴露と標識の両方の組み合わせであり、観察された陽性サンプルの選択バイアスの問題を引き起こします。
このシナリオは、推奨システムなどの多くの実用的なアプリケーションの概念的なフレームワークを表しています。これは、「ポジティブ、ラベルなし、露出データからの学習」(PUE 分類) と呼ばれます。
この問題に取り組むために、最初は露出ラベル付きのデータへのアクセスを想定しています。
次に、強い無視可能性仮定を使用して対象関数を識別する方法を提案し、「自動 Debiased PUE」(ADPUE) 学習方法を開発します。
このアルゴリズムは、他の学習方法に必要な傾向スコアなどの中間推定値を必要とせずに、選択バイアスを直接デバイアスします。
実験を通じて、私たちのアプローチがさまざまな半合成データセットで従来の PU 学習方法よりも優れていることを示しています。

要約(オリジナル)

We address the issue of binary classification from positive and unlabeled data (PU classification) with a selection bias in the positive data. During the observation process, (i) a sample is exposed to a user, (ii) the user then returns the label for the exposed sample, and (iii) we however can only observe the positive samples. Therefore, the positive labels that we observe are a combination of both the exposure and the labeling, which creates a selection bias problem for the observed positive samples. This scenario represents a conceptual framework for many practical applications, such as recommender systems, which we refer to as “learning from positive, unlabeled, and exposure data” (PUE classification). To tackle this problem, we initially assume access to data with exposure labels. Then, we propose a method to identify the function of interest using a strong ignorability assumption and develop an “Automatic Debiased PUE” (ADPUE) learning method. This algorithm directly debiases the selection bias without requiring intermediate estimates, such as the propensity score, which is necessary for other learning methods. Through experiments, we demonstrate that our approach outperforms traditional PU learning methods on various semi-synthetic datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google