활성 PU 학습 라벨 복잡도 이론

초록

본 논문은 양성·비라벨 데이터만 이용 가능한 PU 학습 환경에서, 학습자가 라벨을 요청할 때 양성인 경우에만 확률 ω 로 라벨을 획득하는 제한된 피드백 모델을 가정한다. 이러한 설정 하에, 불일치 기반 분석을 통해 라벨 복잡도 상한을 제시하고, 양성 클래스 사전 확률 π_D 를 알 경우와 모를 경우 두 가지 시나리오에 대한 알고리즘과 이론적 보장을 제공한다. 결과적으로 기존 CAL 알고리즘과 비교해 θ 배수만큼의 추가 비용으로 라벨 복잡도를 제어함을 보인다.

상세 분석

이 논문은 PU 학습, 즉 양성 라벨만 일부 제공되고 나머지는 비라벨(미확인) 상태인 데이터에 대해 활성 학습을 적용한 최초의 이론적 연구이다. 핵심 가정은 “SCAR(Selected Completely At Random)” 모델로, 양성 샘플에 대해 전문가가 라벨을 확인할 확률을 ω∈(0,1] 로 고정하고, 음성 샘플은 절대로 라벨을 제공하지 않는다. 이러한 비대칭 라벨 피드백은 기존 활성 학습 이론에서 가정하는 전형적인 “라벨이 항상 제공된다”는 전제와 크게 다르며, 라벨 요청당 실제 정보 획득 확률이 ω·Pr