BriefGPT - AI 论文速递
·
置信度差异的二元分类
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的二元分类设置——成对比较分类(Pcomp)分类，其中仅有一对未标记数据。文章推导出了一个带有理论保证的无偏风险估计器(URE)，并使用校正函数进一步改进了URE。同时，将Pcomp分类联系到噪声标签学习，发展了一种逐步URE并通过施加一致性正则化来改进它。实验证明了该方法的有效性，表明Pcomp除了成对标签之外，还是一种有价值且实用的成对监督类型。
🎯
关键要点
- 提出了一种新的二元分类设置：成对比较分类 (Pcomp) 分类。
- Pcomp 分类中仅有一对未标记数据，且已知其中一个数据比另一个更可能为正。
- 推导出了一个带有理论保证的无偏风险估计器 (URE)。
- 使用校正函数进一步改进了 URE。
- 将 Pcomp 分类与噪声标签学习联系起来，发展了一种逐步 URE。
- 通过施加一致性正则化来改进逐步 URE。
- 实验证明了该方法的有效性，表明 Pcomp 是一种有价值且实用的成对监督类型。
➡️
