1. 什么是PU Learning？
**PU Learning（正样本-未标记学习）**是一种特殊的半监督学习任务，其核心场景是：仅有少量已标记的正样本（Positive）和大量未标记的样本（Unlabeled），而负样本（Negative）未被明确标注或难以获取。例如：
-
金融风控：仅有已知的欺诈用户（正类），其他用户未标记（可能包含正常用户和未被发现的欺诈用户）49。
-
异常检测：正常数据容易标注，但异常数据可能动态变化或形式多样37。
-
推荐系统：用户点击的条目是正样本，未点击的条目未必是负样本（可能未被曝光）113。
与传统分类的区别：
-
监督学习：需要明确的"正负样本"。
-
单分类（One-class）：仅用正样本训练，但可能忽略未标记数据中的潜在负类信息2。
-
PU Learning：通过挖掘未标记样本中的隐藏信息（如可靠负样本），结合正样本训练分类器，兼顾效率与准确性14。
2. 核心挑战与方法
PU Learning的关键在于如何从未标记样本中区分出潜在的负样本。以下是主流方法：
（1）直接法（Direct Approach）
将未标记样本视为"噪声负样本"，直接训练分类器，但通过调整权重或损失函数来缓解噪声影响。例如：
-
Biased SVM：为未标记样本赋予较低权重，减少其对分类面的干扰313。
-
风险无偏估计：设计对称损失函数，确保训练目标的无偏性3。
适用场景：未标记样本中负类占比较高，且噪声可控2。
（2）两步法（Two-step Approach）
步骤1：识别可靠负样本（Reliable Negatives, RN）
-
间谍技术（Spy Technique）：从正样本中随机选一部分（如15%）作为"间谍样本"混入未标记集，训练分类器后，将预测概率低于间谍样本最小值的未标记样本视为RN413。
-
1-DNF技术：提取正样本的频繁特征（如关键词），未标记样本中不包含这些特征的即为RN47。
步骤2：迭代训练分类器
用正样本和RN训练分类器，逐步从剩余未标记样本中筛选新的RN，直至收敛47。
优势：通过迭代优化，逐步提升分类器的鲁棒性113。
（3）PU Bagging
通过**自助采样（Bootstrap）**生成多个训练集：每次从正样本和未标记样本中随机抽取等量样本作为正负类，训练多个基分类器，最终以平均预测概率作为结果。
适用场景：正样本比例极低时效果显著1。
3. 核心假设与评估
-
假设1（SCAR）：正样本的标注是随机的（与特征无关）4。
-
假设2（可分性）：存在一个分类器能完全区分正负类4。
-
评估指标：召回率（覆盖所有正类）和准确率（预测为正类的正确率）4。
4. 应用场景与局限性
典型应用：
-
财务舞弊检测：从大量未标记企业数据中识别潜在风险9。
-
文本情感分析：仅知正面评论，需从未标注文本中提取负面内容15。
-
生物医学：识别特定基因或疾病标记13。
局限性：
-
依赖初始假设：若未标记样本中正类比例过高，可能影响分类效果2。
-
计算复杂度高：迭代方法需多次训练模型4。
5. 最新进展
-
无偏PU Learning：通过设计对称损失函数，消除传统方法中的偏差，适用于复杂模型（如深度学习）3。
-
主动学习结合PU：动态选择未标记样本进行人工标注，提升模型效率4。
总结
PU Learning通过巧妙利用未标记数据中的隐含信息，解决了传统分类中负样本缺失的难题。其核心方法（如两步法、PU Bagging）在不同场景下各有优劣，需根据数据分布和任务需求灵活选择。对于动态变化的负类（如垃圾邮件检测）或标注成本高的场景，PU Learning是高效且经济的解决方案1413。