Classificazione Multiclasse Senza Etichette tramite Geometria del Simplesso Posteriore

Uno studio recente pubblicato su arXiv estende il concetto di Classification without Labels (CWoLa) da scenari binari a multiclasse. Spesso, nei compiti di classificazione, mancano etichette affidabili a livello di istanza; tuttavia, dataset non etichettati debolmente arricchiti—derivanti da diversi tagli, sorgenti, popolazioni o condizioni sperimentali—alterano le proporzioni latenti delle classi senza rivelarle. In situazioni binarie (K=2), CWoLa dimostra che un classificatore addestrato a distinguere tra due miscele impure con proporzioni di classe variabili può identificare un discriminatore di classe ottimale senza conoscere tali proporzioni. Gli autori estendono questo approccio all'apprendimento multiclasse che coinvolge più miscele non etichettate (K>2), dove il learner conosce solo l'identità della miscela, mancando sia delle etichette di classe latenti che delle matrici di prior delle classi. Stabiliscono che in un modello di miscela multiclasse, il classificatore di miscela Bayes-ottimale g* assegna i punti dati a un (K-1)-simplesso nello spazio posteriore della miscela. I vertici di questo simplesso, in totale K, rappresentano classi pure, consentendo la classificazione senza dati etichettati. L'articolo è disponibile su arXiv con ID 2607.24943.