Dens-PU: PU Learning with Density-Based Positive Labeled Augmentation

要約

この研究では、異常検出戦略に基づいて PU 学習問題を解決するための新しいアプローチを提案します。
ポジティブ ラベル データから抽出された潜在的なエンコーディングは、新しいサンプルを取得するために線形に結合されます。
これらの新しいサンプルは、陽性ラベル付きデータの密度を高めるための埋め込みとして使用され、陽性クラスに近似する境界を定義します。
サンプルが境界から離れているほど、負のサンプルと見なされます。
一連の負のサンプルが取得されると、PU 学習の問題はバイナリ分類になります。
ポジティブ ラベル データの密度に依存しているため、Dens-PU と名付けられたこのアプローチは、ベンチマーク画像データセットを使用して評価され、最先端の結果が得られました。

要約(オリジナル)

This study proposes a novel approach for solving the PU learning problem based on an anomaly-detection strategy. Latent encodings extracted from positive-labeled data are linearly combined to acquire new samples. These new samples are used as embeddings to increase the density of positive-labeled data and, thus, define a boundary that approximates the positive class. The further a sample is from the boundary the more it is considered as a negative sample. Once a set of negative samples is obtained, the PU learning problem reduces to binary classification. The approach, named Dens-PU due to its reliance on the density of positive-labeled data, was evaluated using benchmark image datasets, and state-of-the-art results were attained.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google