Dist-PU，正样本-无标签学习的一个pu-loss改进版。文章源自：Dist-PU: Positive-Unlabeled Learning from a Label Distribution P

今天讲两篇关于PU-learning的文章

<Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective >

文章开始给出一个图：本文主要研究在给出少量标签的情况下，如何利用无标签样本去做分类的问题，本文给出正样本和负样本的比例，这是一个先验概率，即事先知道的一个大致比例，πP表示。

说明与uPU和nnPU相比，自己设计的Rlab-hat，预测的概率分布更逼近真实值。

这是dist-pu loss的推导过程。

 如图所示，在给出的样本中，只有正样本标签和无标签的数据集，然后用深度学习模型去分类，对输出的logit进行sigmoid转化得到一个score即s，如何使得s的分布，即预测的结果逼近真实的概率分布，这是设计dist-pu的motivation。

 

 

 

到这一步，dist-pu的 

 

最终推导的dist-pu loss 的主体部分为hat-R-lab，即公式15。 

 

为了校准其它影响因素带来的偏差，在主体loss的基础上又添加了一些其他loss项，最后的损失函数由四部分组成，即公式23。 

实验结果：

实验的数据集为F-MNIST、CIFAR-10和阿尔茨海默症数据集，数据结构达到sota指标。

 

文章的消融实验和dist-pu loss的超参数的阶梯实验，不讲了，就是证明那些、、在什么情况下最优。

结论：