在医疗诊断和推荐系统这些难以获取负样本的实际应用中,通常只能得到比较少量的有标签正样本数据,剩下了大量的无标签样本数据。为了同样能够利用这些数据进行机器学习,研究者们提出了正样本-无标签学习这种特殊的半监督学习方法,当训练阶段只有少量的有标签正样本和无标签样本数据时,就可以使用这种学习方法。该方法对于负样本难以定义或获取成本高的应用特别有用。目前最流行的正样本-无标签学习方法基于代价敏感学习,这种方法的效果好坏往往都依赖于类别先验是否能被准确地估计,这大大制约了该方法在实际应用中的效果;基于生成模型的方法不依赖类别先验,但由于模型比较复杂,通常都较难以训练。本文提出了一种非对称损失,可以在正样本-无标签学习场景下端到端地学习一个分类器,而且不需要调整超参数也不需要知道类别先验。在仿真数据集和真实图像数据集上进行的大量实验验证了该算法的优越性能。本文的主要贡献如下:·本文提出了一种简单有效且可扩展的非对称损失,以解决正样本-无标签学习问题。所提出的非对称损失对于正样本和无标签样本的预测误差有着不同的行为,因此能够鼓励分类器从无标签样本中识别负样本。·对于提出的非对称损失,本文提供了另一种解释,即所提出的损失是传统的交叉熵损失与对无标签样本的惩罚的结合,同时本文将适用于二分类的非对称损失自然推广到了多正类的情况。对于满足完全随机选择假设的正样本-无标签学习,与现有的其他方法相比,本文提出的方法的超参数和类别先验都不需要调整或已知。·对于有标签样本存在选择偏差的情况,本文引入了一个超参数,将非对称损失扩展到其一般形式,并提出了一种启发式方法,该方法能够根据训练数据的类别先验自动选择超参数。