抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
大きいデータへの注意が増加しているにもかかわらず,ラベル付きデータが少ないか,またはコストが高すぎるいくつかの領域がある。例えば,情報検索,遺伝子解析,およびソーシャルネットワーク分析からのデータに対して,陽性クラスからの訓練サンプルのみが注釈され,一方,残りのラベル付けされていない訓練サンプルは,ラベルされていない陽性および非ラベル化陰性サンプルの両方から構成されている。これらのドメインからの特異的陽性および非標識(PU)データは,1クラスのラベル付けデータのみから2クラス分類器を学習する機構を必要とする。さらに,これらの領域からのデータは高感度で個人的であるので,訓練サンプルプライバシーの保存は不可欠である。本論文では,正および無標識データに対する差別的な個人的アルゴリズムを設計することにより,私的PU学習の挑戦に取り組んだ。最初に,クラス事前確率が既知であるとき,最適分類器への収束の理論的保証を用いて,PU設定のための学習フレームワークを提案した。次に,プライバシーと効用が理論的および経験的に証明されている設計されたフレームワークに対するプライバシー保護メカニズムを提案した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】