Modelling positive and unlabelled data with a generalized additive density ratio model
用广义加性密度比模型处理正例与未标记数据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用正例与未标记数据学习及密度比建模，未提供所列经济计量细分的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用广义加性密度比模型处理正例与未标记数据
- 研究问题
- 在只有部分正例被标记、其余样本混合正负例的数据中，如何放宽指数倾斜模型的线性限制，同时保留混合比例的可识别性？
- 方法与思路
- 作者提出广义加性密度比框架，允许非线性及特征特定效应，并提供实际拟合算法和支持混合比例等目标估计推断的理论。
- 材料陈述的贡献
- 摘要称该方法在线性模型正确时与标准指数倾斜方法表现相当，在线性设定不正确时获得明显改善，并兼顾灵活性与可解释性。
- 阅读关注点
- 应核对标记机制、密度比限制及识别条件，检查拟合算法和不确定性评估，并确认模拟与真实数据中改善对应哪些指标。
- 阅读边界
- 仅依据所给 Crossref 在线优先版本摘要。摘要未说明识别假设、理论条件及改善数值，不能据此判断普遍优势或推断后续刊本变化。
原文摘要
Abstract This paper focuses on learning from positive and unlabelled (PU) data, where only some positives are labelled and the rest are mixed with negatives. Classical exponential tilting models guarantee identifiability by imposing a linear structure, but they can be severely misspecified when the true relationships are nonlinear. We propose a generalized additive density-ratio framework that retains identifiability while allowing nonlinear and feature-specific effects. The approach comes with a practical fitting algorithm and supporting theory that enable estimation and inference for the mixture proportion and other quantities of interest. In simulations and analyses of real datasets, the proposed method matches the standard exponential tilting method when the linear model is correct and delivers clear gains when it is not. Overall, the framework strikes a useful balance between flexibility and interpretability for PU data and provides principled tools for estimation, prediction, and uncertainty assessment.