대체 학습 기반 반지도 분류 기법
본 논문은 특성 집합을 두 개의 클래스 조건부 독립 부분집합으로 나눌 수 있을 때, 하나의 부분집합을 클래스 라벨의 대체 변수로 활용하여 순수히 비지도 데이터만으로 학습 가능한 새로운 반지도 학습 프레임워크인 “대체 학습(Surrogate Learning)”을 제안한다. 비지도 데이터로는 X₂→X₁ 예측기를 학습하고, 소량의 라벨 데이터로는 P(x₁|y) 를 추정한다. 이를 두 실제 응용(레코드 링크와 자연어 처리)에 적용해 기존 지도 학습 대…
저자: ** Anonymous Author(s) (논문에 명시된 저자 정보가 없으며, arXiv에 익명으로 제출됨) **
본 논문은 “Surrogate Learning”이라는 새로운 반지도 학습 프레임워크를 제안한다. 문제 설정은 이진 분류 Y={0,1} 와 피처 공간 X=X₁×X₂ 이며, 두 피처 집합 X₁, X₂ 가 클래스 조건부 독립성을 만족한다는 가정 P(x₁,x₂|y)=P(x₁|y)·P(x₂|y) 을 둔다. 이 가정은 전통적인 나이브 베이즈보다 완화된 형태이며, 특히 X₁ 이 이산형(주로 이진)일 때 적용 가능하다.
수학적 전개를 통해 저자는 P(y|x₁,x₂) 를 P(x₁|x₂) 와 P(x₁|y) 만으로 표현할 수 있음을 증명한다. 핵심 식은
\
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기