• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Intelligent Information Systems >Ensembles of density estimators for positive-unlabeled learning
【24h】

Ensembles of density estimators for positive-unlabeled learning

机译：积极解放学习密度估算器的集合

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Positive-Unlabeled (PU) learning works by considering a set of positive samples, and a (usually larger) set of unlabeled ones. This challenging setting requires algorithms to cleverly exploit dependencies hidden in the unlabeled data in order to build models able to accurately discriminate between positive and negative samples. We propose to exploit probabilistic generative models to characterize the distribution of the positive samples, and to label as reliable negative samples those that are in the lowest density regions with respect to the positive ones. The overall framework is flexible enough to be applied to many domains by leveraging tools provided by years of research from the probabilistic generative model community. In addition, we show how to create mixtures of generative models by adopting a well-known bagging method from the discriminative framework as an effective and cheap alternative to the classical Expectation Maximization. Results on several benchmark datasets show the performance and flexibility of the proposed approach.
机译：正面未标记的（PU）学习通过考虑一组正样品，以及一组（通常更大）的未标记物。这种具有挑战性的设置需要算法来巧妙地利用隐藏在未标记数据中的依赖性，以便构建能够准确区分正面和负样本的模型。我们建议利用概率的生成模型来表征阳性样品的分布，并将其标记为相对于正面区域中最低密度区域的可靠负面样本。整体框架是足够灵活的，可以通过利用概率生成模型社区多年的研究提供的工具来应用于许多域。此外，我们展示了如何通过采用鉴别框架的知名装订方法作为经典期望最大化的有效和便宜的替代品来创建生成模型的混合物。结果几个基准数据集显示了所提出的方法的性能和灵活性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号