Aprendizado PU com Rótulos Suaves

O aprendizado PU refere-se ao problema de classificação em que apenas parte das amostras positivas é rotulada. Os métodos de aprendizado PU existentes tratam amostras não rotuladas igualmente. No entanto, em muitas tarefas reais, com base no senso comum ou no conhecimento do domínio, algumas amostras não rotuladas têm maior probabilidade de serem positivas do que outras. Neste artigo, propomos o aprendizado PU com rótulos suaves, no qual os dados não rotulados recebem rótulos suaves de acordo com suas probabilidades de serem positivos. Considerando que a verdade de TPR, FPR e AUC é desconhecida, então, projetamos contrapartes PU dessas métricas para avaliar o desempenho dos métodos de aprendizado PU com rótulos suaves dentro dos dados de validação. Demonstramos que essas novas métricas PU projetadas são bons substitutos para as métricas reais. Após isso, um método que otimiza tais métricas é proposto. Experimentos em conjuntos de dados públicos e conjuntos de dados reais para serviços de combate a trapaças dos jogos Tencent demonstram a eficácia do nosso método proposto.