One-Class Classification vs Positive-Unlabeled Learning

One-class (OC) classification это вариант бинарной классификации, где во время обучения доступна только выборка одного из классов. Необходимость такой классификации возникает, например, в случаях когда данные одного из классов очень дорого и/или сложно получать. Positive-unlabeled (PU) learning тоже вариант бинарной классификации, но в этом сеттинге имеются уже две выборки: аналогичная OC из одного класса и неразмеченная выборка из смеси всех данных. Данные подходы очень похожи, но PU кажется более предпочтительным, так как во многих применениях OC неразмеченные данные либо сразу доступны, либо их просто можно получить. Несмотря на это, большинство работ фокусируются именно на OC подходах. Кроме этого отсутствует какое-либо сравнение между OC и PU. На семинаре будет рассказано про наш проект, в котором мы пытаемся ответить на вопрос, помогают ли неразмеченные данные или нет. Для этого мы адаптируем OC методы под неразмеченные данные и сравниваем полученные модели в различных сценариях. Докладчик: Фарид Баги