Core Concepts
Unsicherheitsbewusste Pseudo-Label Auswahl verbessert die Leistung in unbalancierten Datensätzen für das Positive-Unlabeled Lernen.
Abstract
Das Paper stellt eine Methode vor, die im Positive-Unlabeled Lernen die Auswahl von Pseudo-Labels unter Berücksichtigung von Unsicherheit verbessert. Es wird gezeigt, wie diese Methode in verschiedenen Szenarien, einschließlich eines realen Gesundheitsdatensatzes, zu signifikanten Leistungssteigerungen führt. Die Autoren betonen die Bedeutung der Unsicherheitsquantifizierung und zeigen die Robustheit ihrer Methode in verschiedenen Einstellungen.
Einführung in Positive-Unlabeled Learning und Herausforderungen
Vorschlag der PUUPL-Methode zur Verbesserung der Leistung in unbalancierten Datensätzen
Experimente und Ergebnisse zur Leistungssteigerung in verschiedenen Szenarien
Anwendung auf einen realen Gesundheitsdatensatz und Vorteile für die Krebsbehandlung
Stats
PUUPL verbessert die Leistung in hoch unbalancierten Einstellungen.
PUUPL erreicht eine AUROC von 78,00% auf dem C-Terminus-Datensatz.
Quotes
"PUUPL verbessert die Leistung in verschiedenen Szenarien signifikant."
"Die Methode zeigt Robustheit gegenüber Misspezifikationen des Klassenpriors."