热点事件持续更新
PU 数据下最大化部分 AUC 的新方法
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026 年 10 月 3 日，arXiv cs.LG 分类下的一篇论文针对缺乏标注负样本时难以最大化部分 AUC（pAUC）的问题，提出一种仅用正例和无标签（PU）数据训练分类器的方法。该方法在经验风险最小化框架下证明 pAUC 及其依赖 FPR 的阈值可仅用正例密度和边缘密度表示，并据此推导出 PU 数据的经验估计量，通过最大化平滑后的经验 pAUC 估计量训练分类器。论文称在十个真实数据集上的实验验证了该方法的有效性。目前该事件仅有这一篇报道，尚无后续进展。
AI 根据报道生成 · 1 小时前更新
最新进展10月3日 12:00
论文提出仅用正例和无标签数据最大化部分 AUC 的方法，并在十个真实数据集上验证。报道时间线
沿着报道，了解事件的不同侧面。
10月3日
- arXiv：cs.LG（机器学习，全量分类）从正例-无标签数据中最大化部分 AUC
针对缺乏标注负样本时难以最大化部分 AUC（pAUC）的问题，研究者提出一种仅用正例和无标签（PU）数据训练分类器的方法。该方法在经验风险最小化框架下证明 pAUC 及其依赖 FPR 的阈值可仅用正例密度和边缘密度表示，并据此推导出 PU 数据的经验估计量，通过最大化平滑后的经验 pAUC 估计量训练分类器。在十个真实数据集上的实验验证了该方法的有效性。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。