Przejdź do treści

Joint empirical risk minimization for instance-dependent positive-unlabeled data

W pracy zaproponowano nową metodę konstrukcji klasyfikatorów dla danych PU opartą na dopasowaniu modelu podwójnie logistycznego i minimalizacji ryzyka empirycznego (ERM). Metoda dopuszcza zmienną funkcję skłonności do etykietowania. W pracy pokazano, że przy pewnych założeniach ryzyko otrzymanego estymatora, będącego argumentem minimalizującym ERM zbiega do ryzyka bayesowskiego. W pracy zaproponowano również nową metodę detekcji nieetykietowanych obserwacji z klasy pozytywnej i zbadano numerycznie zachowanie się wynikowych klasyfikatorów. 

Artykuł:

Knowledge-Based Systems

Autorzy z PW:

Jan Mielniczuk

Rok wydania: