27、基于不确定性和密度的正无标签数据主动学习方法

基于不确定性和密度的正无标签数据主动学习方法

在当今数字化媒体技术不断发展的时代，我们能够获取海量的数据。然而，传统的监督学习算法需要大量的标签来学习数据的内在联系，而标注数据是一项耗时且昂贵的工作，因此现实中的数据集往往包含大量未标注数据和少量标注数据。利用未标注数据来提高分类准确性并减少人工标注工作量成为了研究的热点，主动学习和半监督学习就是其中两种具有代表性的方法。

1. 主动学习与半监督学习概述

• 主动学习 ：通过从未标注数据中选择最具信息量的样本，然后进行人工标注，将这些样本添加到训练集中，有助于提高分类的准确性。发现最具信息量的样本是主动学习的核心。
• 半监督学习 ：有效利用少量标注数据和大量未标注数据。正无标签学习（PU Learning）是一种半监督学习算法，处理只有正样本和未标注样本的情况。

目前虽然有很多关于主动学习的研究，但这些研究的数据集通常包含所有分类标签。而在现实中，有很多数据只有正样本标注，如信息检索、文本分类、异常监测等。很少有人将主动学习与PU学习相结合。

2. 相关工作

在实际应用中，我们经常遇到少量标注数据和大量未标注数据的数据集。PU学习的关键是识别可靠的负样本和潜在的正样本。以下是一些相关的方法：
- PU学习方法 ：
- spy技术 ：Liu等人首先提出将部分正样本和未标注样本混合作为负样本，然后根据spy样本的概率设置阈值来找到可信的正样本和负样本。
-