Inequação de Valor Absoluto SVM para o Problema de Aprendizagem PU

A aprendizagem positiva e não rotulada (aprendizagem PU) é uma tarefa de classificação binária significativa em aprendizado de máquina; concentra-se em treinar classificadores precisos usando dados positivos e dados não rotulados. A maioria dos trabalhos nessa área é baseada em uma estratégia de duas etapas: a primeira etapa é identificar exemplos negativos confiáveis a partir de exemplos não rotulados, e a segunda etapa é construir os classificadores com base nos exemplos positivos e nos exemplos negativos confiáveis identificados usando métodos de aprendizado supervisionado. No entanto, esses métodos sempre subutilizam os dados não rotulados restantes, o que limita o desempenho da aprendizagem PU. Além disso, muitos métodos exigem a solução iterativa dos problemas de programação quadrática formulados para obter o classificador final, resultando em um alto custo computacional. Neste artigo, propomos um novo método chamado máquina de vetores de suporte de inequação de valor absoluto, que aplica o conceito de excentricidade para selecionar exemplos negativos confiáveis a partir de dados não rotulados e, em seguida, constrói um classificador com base nos exemplos positivos, nos exemplos negativos selecionados e nos dados não rotulados restantes. Além disso, aplicamos uma técnica de otimização de hiperparâmetros para pesquisar e selecionar automaticamente os valores de parâmetros ótimos no algoritmo proposto. Resultados experimentais numéricos em dez conjuntos de dados do mundo real demonstram que nosso método é melhor do que os outros três algoritmos de referência.