< Terug naar vorige pagina

Project

Nieuwe methodes voor flexible supervision

Voor binaire classificatie hebben standaard supervised learning algoritmes training data nodig dat volledig gelabeled is en waarvan zowel positieve als negatieve data punten beschikbaar zijn. Echter, een algoritme heeft vaak niet de toegang tot dit soort data. Een voorbeeld is dat de data enkel uit (enkele) positieve data punten bestaat en een grote set aan unlabeled data. De unlabeled data bestaat in dat geval uit positieve en negatieve data punten. Dit soort data wordt wel vaker positief en unlabeled (PU) data genoemd en het doel van PU learning is om voorspellende modellen te leren van dit soort data. Dit soort data komt ondermeer voor in domeinen zoals anomalie detectie, het vervolledigen van kennisbanken en medische diagnoses. Het doel van deze thesis bestaat uit het ontwerpen van nieuwe algoritmes voor dit soort setting.

Datum:1 okt 2022 →  Heden
Trefwoorden:learning from positive and unlabeled data, active learning, anomaly detection
Disciplines:Machine learning en besluitvorming, Datamining, Artificiële intelligentie niet elders geclassificeerd
Project type:PhD project