我们的著作《Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach》由MIT Press出版，收录于Adaptive Computation and Machine Learning系列。本书由Sentinel Assurance联合创始人Nan Lu，与Masashi Sugiyama、Han Bao、Takashi Ishida、Tomoya Sakai、Gang Niu共同完成。
这本书讲了什么
- 提出了一套统一的经验风险最小化框架，用于弱监督学习，涵盖正例-无标签（PU）分类、正例-负例-无标签（PNU）分类等场景。
- 为标签缺失或不完整（而不仅仅是带噪声）情况下的学习提供了理论基础。
- 在理论之外提供了配套的实用算法，既面向应用这些方法的从业者，也面向在此基础上继续研究的学者。
贯穿全书的主线是："没有足够干净的标签"并不是一个可以靠启发式方法绕过的边缘情况。它足够常见，也足够有结构，值得获得与完全监督学习同等的严谨对待。
我们的看法
我们所关心的许多有趣的失效模式，其根源都在模型的上游：它究竟是在什么数据上训练的，又被要求优化什么目标。一套关于弱监督学习的严谨理论，正是这样一类基础性工作，它让我们能够精确推理一个模型究竟能被期待知道什么、不能知道什么，而这件事值得在下游有任何环节依赖它之前先弄清楚。