极端二分类：用于假阴性极端约束的极值理论
Extreme Binary Classification: Extreme Value Theory for Extreme Constraint on False Negative
精选理由
为漏报率近乎为零的分类提供极值理论方法，助力癌症筛查等高风险场景。
AI 摘要
arXiv:2610.09984v1 公告类型：交叉收录 摘要：尽管二分类是机器学习中研究最广泛的问题之一，但以学习假阴性率几乎为零的分类器为目标的情形，仍在很大程度上尚未得到探索。本文引入极端二分类问题，其目标是学习一个假阴性率 $\alpha$ 受 $\epsilon_{N_1}=o_{N_1\to\infty}(1/N_1)$ 约束的分类器，其中 $N_1$ 表示训练集中正例的数量。为解决这一问题，我们提出一种阈值自适应方法，其理论基础是由极值理论推导出的保证，同时提出一种基于对样本最大值进行置换检验的特征选择流程。在四个规模不同的真实世界数据集上的实验结果表明，我们的方法与当前最先进的方法相比具有优势。此外，我们通过在一个癌症筛查数据集上的应用，展示了该方法的可解释性。