Сравнение одноклассовой классификации и классификации на основе позитивных и неразмеченных данных

Современные модели для одноклассовой классификации (OC) решают задачу нахождения аномалий, комбинирую способность обучаться только на позитивных данных и выразительность глубоких нейронных сетей. Основной проблемой OC моделей является необходимость в предположениях о негативном распределении. Классификация на основе позитивных и неразмеченных данных (PU) обходит эту проблему, используя неразмеченные данные для оценки негативного распределения. Не смотря на то, что PU модели кажутся предпочтительнее в тех случаях, когда их можно использовать, OC решения пользуются большей популярностью. Более того, неразмеченные данные часто доступны, но не используется. Из-за этого возникает вопрос: действительно ли неразмеченные данные помогают и если да, то когда. В работе исследуется влияние неразмеченных данных в задачах одноклассовой классификации. Для этого я адаптирую одноклассовые модели для дополнительного использования неразмеченных данных и сравниваю полученные модели в различных сценариях. В результате получается, что даже в самых сложных для PU моделей сценариях неразмеченные данные чаще улучшают качество исходных моделей.