相互污染模型的净化
摘要：通过相互混合模型来刻画许多机器学习问题。在这些问题中，我们观察到来自未知基本分布集合的不同凸组合的多个随机样本，并且目标是推断这些基本分布。本文考虑了基本分布定义在任意概率空间上的一般情况。我们研究了在这一一般设置中出现的三个常见机器学习问题：带有标签噪声的多类别分类，混合成员模型的分离以及带有部分标签的分类。对于每种情况，我们给出了可识别性的充分条件，并提出了适用于无限样本和有限样本情况的算法，附带有性能保证。
作者：Julian Katz-Samuels, Gilles Blanchard, and Clayton Scott
论文ID：1710.01167
分类：Machine Learning
分类简称：stat.ML
提交时间：2019-04-12