PUAL: Un Clasificador en Datos Positivo-No Etiquetados Trifurcados

El aprendizaje positivo-no etiquetado (PU) tiene como objetivo entrenar un clasificador utilizando datos que contienen solo instancias etiquetadas como positivas y instancias no etiquetadas. Sin embargo, los métodos existentes de aprendizaje PU son generalmente difíciles de lograr un rendimiento satisfactorio en datos trifurcados, donde las instancias positivas se distribuyen a ambos lados de las instancias negativas. Para abordar este problema, primero proponemos un clasificador PU con pérdida asimétrica (PUAL), introduciendo una estructura de pérdida asimétrica en las instancias positivas en la función objetivo del clasificador de aprendizaje global y local. Luego desarrollamos un algoritmo basado en kernel para permitir que PUAL obtenga una frontera de decisión no lineal. Mostramos que, a través de experimentos en conjuntos de datos simulados y del mundo real, PUAL puede lograr una clasificación satisfactoria en datos trifurcados.