Neyman-Pearson multiclass classification under label noise via empirical likelihood
基于经验似然的标签噪声下Neyman-Pearson多分类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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦分类方法与经验似然理论，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列或金融计量等方向，故不选择。
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…
关注这篇论文的作者
基于经验似然的标签噪声下Neyman-Pearson多分类
- 研究问题
- 研究在训练标签被测量误差、标注者差异或对抗噪声污染时，如何在多分类设定下实现Neyman-Pearson分类（控制类特定错误），且不依赖对噪声机制的先验知识。
- 方法与思路
- 作者提出指数倾斜密度比模型以恢复可识别性，并据此构建经验似然方法，联合估计干净标签的类比例、后验概率与噪声机制，用EM算法求解；摘要称所得估计量根号n相合且渐近正态。
- 材料陈述的贡献
- 摘要称这是首个处理多分类标签噪声下NPMC的方法，无需混淆矩阵先验；所诱导的分类器在二分类与多分类下满足Neyman-Pearson oracle不等式，模拟与真实数据实验显示接近oracle的表现。
- 阅读关注点
- 应核对指数倾斜模型恢复可识别性的具体条件与证明、EM算法的收敛与初始化、oracle不等式的形式与假设，以及模拟与真实数据中噪声设定是否覆盖摘要所述情形。
- 阅读边界
- 仅凭摘要无法判断识别假设是否现实、定理的完整条件、实验细节与对比基准；摘要未说明真实数据的来源与规模，也未给出具体数值结果。该文为arXiv预印本，未经同行评审验证。
原文摘要
In many classification problems, misclassification costs are highly asymmetric, while training labels are often corrupted due to measurement error, annotator variability, or adversarial noise. The Neyman-Pearson multiclass classification (NPMC) framework addresses such asymmetry by controlling class-specific errors, but existing methods assume that training labels are correctly observed. To our knowledge, no existing approach handles NPMC under label noise in the multiclass setting, and the only binary method requires prior knowledge of the noise mechanism. A fundamental difficulty is that, without structural assumptions, noisy-label models are non-identifiable: distinct combinations of class-conditional distributions and noise mechanisms can induce the same observed distribution, preventing recovery of the quantities required for error control. We show that the exponential tilting density ratio model restores identifiability, and leverage this structure to develop an empirical likelihood approach for NPMC with noisy labels. The proposed method jointly estimates clean-label class proportions, posterior probabilities, and the noise mechanism from noisy data, without requiring prior knowledge of the confusion matrix. An expectation-maximization algorithm enables efficient computation. The resulting estimators are root n consistent and asymptotically normal, and the induced classifiers satisfy Neyman-Pearson oracle inequalities in both binary and multiclass settings. Simulation and real-data experiments demonstrate near-oracle performance.