部分标记数据下多数投票分类器的多类概率界
瓦西里·费奥法诺夫（Vasilii Feofanov）、艾米莉·德维伊弗（Emilie Devijver）、马西·雷扎·阿米尼（Massih-Reza Amini）; 25(104):1−47, 2024.
摘要
在本文中，我们提出了一个概率框架，用于分析训练数据部分标记的情况下的多类多数投票分类器。首先，我们基于分类器在每个类上的投票分布，导出了大多数投票分类器风险的多类传递界。然后，我们引入一个错误标记错误模型来分析伪标记训练数据情况下多数票分类器的错误。考虑到预测裕度的均值和方差，在给定不完美标签的情况下，我们导出了多数投票误差的泛化界。最后，我们演示了导出的自训练传递界的应用，以自动找到用于确定伪标记未标记示例的置信阈值。不同数据集上的实证结果表明，与几种最先进的半监督方法相比，我们的框架是有效的。
[腹肌]
[pdf格式][围兜]
