来自RIKEN高级智能项目中心（AIP项目组）的研究团队成功开发了一种新的机器学习方法，允许AI在没有所谓的“负样例”的情况下进行分类，这一发现可能会广泛地应用于各种分类任务。
机器学习分类的现状
分类对我们的日常生活至关重要。例如，我们必须检测垃圾邮件，虚假的政治新闻以及诸如对象或面孔等更普通的事物。当使用AI时，这些任务基于机器学习中的“分类技术” - 让计算机学习使用分离正面和负面样例的边界。
例如，“正面”样例将是包括幸福面孔的照片，以及包括悲伤面部的“负面”样例照片。一旦学习了分类边界，计算机就可以确定某个数据是正数还是负数。这项技术的难点在于它需要学习过程的正面和负面样例，并且在许多情况下不能提供负面样例（例如，很难找到带有标签的照片）
就现实生活中的程序而言，当零售商试图预测谁将进行购买时，它可以轻松地找到从他们那里购买的客户的数据（正样例），但基本上不可能获得没有购买的客户的数据。从他们那里购买（负样例），因为他们无法访问竞争对手的数据。另一个例子是应用程序开发人员的常见任务：他们需要预测哪些用户将继续使用应用程序（正面）或停止（负面）。但是，当用户取消订阅时，开发人员会丢失用户的数据，因为他们必须根据隐私政策完全删除有关该用户的数据以保护个人信息。
示意图显示了正样例（苹果）和缺乏负样例（香蕉），并举例说明了苹果样例的可信度。
图片来源：RIKEN
机器学习分类边界
根据RIKEN AIP的主要作者Takashi Ishida的说法，“以前的分类方法无法应对无法获得负样例的情况，但只要我们有一个置信度分数，我们就可以让计算机只用正数据进行学习。对于我们的正样例，根据购买意图或应用用户的有效率等信息构建。使用我们的新方法，我们可以让计算机只从充满信心的积极数据中学习分类器 ”。这种分类场景被称为“one class classification”，这个工作考虑了带有置信度的“one class classification”情形。
Ishida与团队研究员Niu Gang以及团队负责人Masashi Sugiyama一起提议，他们通过添加置信度得分让计算机学得很好，这在数学上对应于样例是否属于正类的概率。
他们成功地开发了一种方法，可以让计算机只从积极的数据和信息（正可靠性）信息中学习分类边界，从而对机器学习的分类问题进行积极和消极的划分。
应用领域
为了了解系统运作情况，他们在一组包含各种时尚商品标签的照片上使用它。例如，他们选择“T恤”作为正样例和另一个项目，将“凉鞋”作为负样例。然后他们在“T恤”照片上附上了一张信心分数。他们发现，如果不访问负样例（例如，“凉鞋”照片），在某些情况下，他们的方法与使用正面和负样例的方法一样好。
根据Ishida的说法，“这一发现可以扩展可以使用分类技术的应用范围。即使在积极使用机器学习的领域，我们的分类技术也可以用于新的情况，因为数据只能收集正数据监管或业务限制。在不久的将来，我们希望将我们的技术应用于各种研究领域，如自然语言处理，计算机视觉，机器人和生物信息学。
内容来源：sciencedaily、RIKEN
[关于转载]：本文为“学术头条”原创文章。转载仅限全文转载并保留文章标题及内容，不得删改、添加内容绕开原创保护，且文章开头必须注明：转自“SciTouTiao”微信公众号。谢谢您的合作。
分享干货
AMiner迄今为止已发布14期AI系列研究报告，您可在后台回复对应数字获取报告。
1 → 《自动驾驶研究报告》
2 → 《机器人研究报告》
3 → 《区块链研究报告》
4 → 《行为经济学研究报告》
5 → 《机器翻译研究报告》
6 → 《通信与人工智能研究报告》
7 → 《自动驾驶研究报告》前沿版
8 → 《自然语言处理研究报告》
9 → 《计算机图形学研究报告》
10 → 《超级计算机研究报告》
11 → 《3D打印研究报告》
12 → 《智能机器人研究报告》前沿版
13 → 《人脸识别研究报告》
14 → 《人工智能芯片研究报告》
推荐阅读：
通过网络表征学习赋能社会网络计算——经典论文推荐（DeepWalk、LINE、PTE、DeepInf）
大约只有4%～5%的用户会完成MOOC课程，如何挽留有退课风险的用户？
IEEE Fellow 2019 最新名单公布— 近40位中国大陆科学家当选
微信公众号菜单栏为大家设置了“论文推荐”专栏，欢迎大家分享。
学术头条
发掘科技创新的原动力
点击阅读原文访问AMiner官网