正例-未标注学习PU Learning

一句话理解：当数据只有“确认的正例”和“大量不知道真假的未标注项”时，不应把所有未标注项直接当负例；这类学习问题叫PU Learning。

1. 与普通二分类的区别

普通监督学习假设训练集有可靠正例 $P$ 和可靠负例 $N$ 。PU学习只有：

在SIDER矩阵中，1—5级是有记录关联，0是未记录项。0并不等于已证实无关联，所以更接近 $U$ 而不是 $N$ 。

若一个真实但尚未记录的药物—副作用组合被当负例：

这在药物安全发现任务中特别矛盾：模型本来就是为了发现尚未记录的风险，却可能因发现它而被扣分。

不完全信任 $U$ ，给它较小损失权重。A3Net的第二项损失乘 $\alpha=0.03$ ，属于类似思路，但它仍把所有未知预测拉向固定基线0.5。

估计未标注集合中正例比例，再构造无偏或非负风险估计。它需要关于正例被标注机制的假设。

从 $U$ 中选出最不可能为正的样本作为临时负例，再迭代训练。风险是早期误判会被放大。

改变未知项权重、负采样比例或评估负例定义，检查结论是否稳健。这是复现A3Net时最容易先做的改进。

PU方法仍依赖数据收集机制。若药品说明书更倾向报告严重或常见副作用，已标注正例不是随机抽样，简单PU假设也可能失效。外部数据库验证、时间切分和人工核验仍然重要。