基于非全负N元组与未标记数据的弱监督学习框架及其在欺诈检测中的应用

本文创新性地提出了一种弱监督学习（Weakly-Supervised Learning）框架，通过扩展非全负成对学习（not-all-negative pairwise learning）至N元组场景，结合未标记数据（unlabeled data）训练二元分类器。研究解决了高维有序数据下弱监督信号利用难题，建立了估计误差界（estimation error bound）证明其统计一致性，并在欺诈检测等实际场景中验证了方法的优越性。

　　

亮点

本研究构建了一个全新的弱监督学习框架，首次实现了非全负N元组（not-all-negative N_posU）监督与点状未标记数据的联合训练——这是现有弱监督学习框架中尚未探索的组合。

理论保障

我们通过推导该方法的估计误差界（estimation error bound）提供了理论保障，确保其在现实假设下的统计一致性和可靠性。

强效实验验证

在多样化的基准数据集实验中，我们的方法始终优于最先进的弱监督基线（state-of-the-art weakly-supervised baselines）。尤其在具有挑战性的类先验不平衡（class-prior imbalance）条件下，改进效果尤为显著，凸显了方法的实用价值。

结论

本文提出的N_posU方法通过有效利用非全负N元组约束和未标记数据，显著提升了分类器性能，为欺诈检测等实际应用提供了新工具。

作者贡献声明

黄淑颖：初稿撰写，软件实现，方法论；李俊鹏：文稿修订，方法论；华长春：概念设计；杨亚娜：研究指导。

利益冲突声明

作者声明无已知可能影响本研究的财务或个人利益冲突。

（注：翻译严格遵循生命科学领域专业性，采用"点状未标记数据"等生动表述，保留N_posU等符号格式，并省略文献引用标识）