در دنیای دادهها، اغلب با شرایطی روبرو هستیم که دادههای مثبت بسیار کم هستند و بیشتر دادهها بدون برچسب (Unlabeled) باقی میمانند. چالش اصلی در یادگیری «مثبت-بدون برچسب» (PU Learning)، سوگیری در انتخاب دادههاست.
محققان در یک مقاله جدید، فریمورک «PUe» را معرفی کردهاند که با استفاده از استنتاج علی و تکنیکهای وزندهی احتمالی (NIPW)، این سوگیریها را به حداقل میرساند. این روش باعث میشود مدلها در شرایط واقعی و با توزیع نابرابر برچسبها، دقت بسیار بالاتری داشته باشند. 📊🧠
منبع: arXiv Machine Learning