ปัญหาที่คล้ายกันคือการเรียนรู้ PUซึ่งตัวจำแนกไบนารีถูกสร้างขึ้นโดยการเรียนรู้แบบกึ่งกำกับดูแลจากจุดตัวอย่างที่เป็นบวกและไม่มีป้ายกำกับ เท่านั้น ^{[ 12 ]}

ในการเรียนรู้ PU นั้น ถือว่ามีชุดตัวอย่างสองชุดสำหรับการฝึกอบรม ได้แก่ ชุดบวกและชุดผสมซึ่งถือว่ามีทั้งตัวอย่างบวกและลบ แต่ไม่ได้ติดป้ายกำกับไว้ ซึ่งแตกต่างจากการเรียนรู้แบบกึ่งกำกับดูแลรูปแบบอื่นๆ ที่ถือว่ามีชุดที่มีป้ายกำกับซึ่งประกอบด้วยตัวอย่างของทั้งสองคลาส นอกเหนือจากตัวอย่างที่ไม่มีป้ายกำกับ มีเทคนิคต่างๆ มากมายในการปรับ ตัวจำแนกประเภทแบบ กำกับดูแลให้เข้ากับการตั้งค่าการเรียนรู้ PU รวมถึงอัลกอริธึม EM เวอร์ชันต่างๆ การเรียนรู้ PU ได้ถูกนำไปใช้กับข้อความ [ ^{13 ] [ 14 ] [ 15 ]}อนุกรมเวลา^{[ 16 ]}งานด้านชีวสารสนเทศ^{[ 17 ] [ 18 ]}และข้อมูลการสำรวจระยะไกล^{[ 19 ] อย่างประสบความ สำเร็จ}${\displaystyle P}$${\displaystyle U}$

วิธี การประมาณความหนาแน่นอาศัยการประมาณความหนาแน่นของจุดข้อมูลและกำหนดค่าเกณฑ์ วิธีการเหล่านี้อาศัยการสมมติการกระจายตัว เช่น การกระจายแบบเกาส์เซียน หรือการกระจายแบบปัวซงจากนั้นจึงใช้การทดสอบความไม่สอดคล้องกันเพื่อทดสอบวัตถุใหม่ วิธีการเหล่านี้มีความทนทานต่อความแปรปรวนของขนาด

แบบจำลองเกาส์เซียน^{[ 20 ]}เป็นหนึ่งในวิธีที่ง่ายที่สุดในการสร้างตัวจำแนกคลาสเดียว เนื่องจากทฤษฎีบทขีดจำกัดกลาง (CLT) ^{[ 21 ]}วิธีเหล่านี้จะทำงานได้ดีที่สุดเมื่อมีจำนวนตัวอย่างมาก และถูกรบกวนด้วยค่าข้อผิดพลาดอิสระขนาดเล็ก การกระจายความน่าจะเป็นสำหรับวัตถุ d มิติ กำหนดโดย:

${\displaystyle p_{\คณิตศาสตร์ {N}}(z;\mu$ ;\Sigma )={\frac {1}{(2\pi )^{\frac {d}{2}}|\Sigma |^{\frac {1}{2}}}}\exp \left\{-{\frac {1}{2}}(z-\mu )^{T}\Sigma ^{-1}(z-\mu )\right\}}

Where, ${\displaystyle \mu }$ is the mean and ${\displaystyle \Sigma }$ is the covariance matrix. Computing the inverse of covariance matrix (${\displaystyle \Sigma ^{-1}}$) is the costliest operation, and in the cases where the data is not scaled properly, or data has singular directions pseudo-inverse ${\displaystyle \Sigma ^{+}}$ is used to approximate the inverse, and is calculated as ${\displaystyle \Sigma ^{T}(\Sigma \Sigma ^{T})^{-1}}$.^[22]

Boundary methods focus on setting boundaries around a few set of points, called target points. These methods attempt to optimize the volume. Boundary methods rely on distances, and hence are not robust to scale variance. K-centers method, NN-d, and SVDD are some of the key examples.

K-centers

In K-center algorithm,^[23]${\displaystyle k}$ small balls with equal radius are placed to minimize the maximum distance of all minimum distances between training objects and the centers. Formally, the following error is minimized,

${\displaystyle \varepsilon _{k-center}=\max _{i}(\min _{k}||x_{i}-\mu _{k}||^{2})}$

The algorithm uses forward search method with random initialization, where the radius is determined by the maximum distance of the object, any given ball should capture. After the centers are determined, for any given test object ${\displaystyle z}$ the distance can be calculated as,

${\displaystyle d_{k-centr}(z)=\min _{k}||z-\mu _{k}||^{2}}$

Reconstruction methods use prior knowledge and generating process to build a generating model that best fits the data. New objects can be described in terms of a state of the generating model. Some examples of reconstruction methods for OCC are, k-means clustering, learning vector quantization, self-organizing maps, etc.

The basic Support Vector Machine (SVM) paradigm is trained using both positive and negative examples, however studies have shown there are many valid reasons for using only positive examples. When the SVM algorithm is modified to only use positive examples, the process is considered one-class classification. One situation where this type of classification might prove useful to the SVM paradigm is in trying to identify a web browser's sites of interest based only off of the user's browsing history.

การจำแนกประเภทแบบคลาสเดียวมีประโยชน์อย่างยิ่งในการศึกษาทางชีวการแพทย์ ซึ่งมักจะยากหรือเป็นไปไม่ได้ที่จะได้รับข้อมูลจากคลาสอื่น ในการศึกษาข้อมูลทางชีวการแพทย์ อาจเป็นเรื่องยากและ/หรือมีค่าใช้จ่ายสูงที่จะได้รับชุดข้อมูลที่มีป้ายกำกับจากคลาสที่สองซึ่งจำเป็นสำหรับการจำแนกประเภทแบบสองคลาส การศึกษาจากวารสาร Scientific World Journal พบว่าแนวทางความปกติ (typicality approach) มีประโยชน์มากที่สุดในการวิเคราะห์ข้อมูลทางชีวการแพทย์ เนื่องจากสามารถนำไปใช้กับชุดข้อมูลประเภทใดก็ได้ (ต่อเนื่อง ไม่ต่อเนื่อง หรือระบุชื่อ) ^{[ 24 ]}แนวทางความปกติขึ้นอยู่กับการจัดกลุ่มข้อมูลโดยการตรวจสอบข้อมูลและจัดวางลงในกลุ่มใหม่หรือกลุ่มที่มีอยู่แล้ว^{[ 25 ]}ในการนำความปกติไปใช้กับการจำแนกประเภทแบบคลาสเดียวสำหรับการศึกษาทางชีวการแพทย์ การสังเกตใหม่แต่ละครั้งจะถูกเปรียบเทียบกับคลาสเป้าหมายและระบุว่าเป็นค่าผิดปกติหรือเป็นสมาชิกของคลาสเป้าหมาย^{[ 24 ]}${\displaystyle y_{0}}$${\displaystyle C}$

การจำแนกประเภทแบบคลาสเดียวมีความคล้ายคลึงกับการตรวจจับการเปลี่ยนแปลงแนวคิดแบบไม่ใช้การกำกับดูแล โดยทั้งสองวิธีมีเป้าหมายเพื่อระบุว่าข้อมูลที่ไม่เคยเห็นมาก่อนมีลักษณะคล้ายคลึงกับข้อมูลเริ่มต้นหรือไม่ แนวคิดหมายถึงการกระจายความน่าจะเป็นคงที่ซึ่งดึงข้อมูลมาจาก ในการตรวจจับการเปลี่ยนแปลงแนวคิดแบบไม่ใช้การกำกับดูแล เป้าหมายคือการตรวจจับว่าการกระจายข้อมูลเปลี่ยนแปลงไปหรือไม่โดยไม่ต้องใช้ป้ายกำกับคลาส ในการจำแนกประเภทแบบคลาสเดียว การไหลของข้อมูลไม่สำคัญ ข้อมูลที่ไม่เคยเห็นมาก่อนจะถูกจัดประเภทเป็นข้อมูลทั่วไปหรือข้อมูลผิดปกติขึ้นอยู่กับลักษณะของข้อมูล ไม่ว่าจะเป็นข้อมูลจากแนวคิดเริ่มต้นหรือไม่ก็ตาม อย่างไรก็ตาม การตรวจจับการเปลี่ยนแปลงแบบไม่ใช้การกำกับดูแลจะตรวจสอบการไหลของข้อมูล และส่งสัญญาณการเปลี่ยนแปลงหากมีการเปลี่ยนแปลงหรือความผิดปกติจำนวนมาก การตรวจจับการเปลี่ยนแปลงแนวคิดแบบไม่ใช้การกำกับดูแลสามารถระบุได้ว่าเป็นรูปแบบต่อเนื่องของการจำแนกประเภทแบบคลาสเดียว^{[ 26 ]}ตัวจำแนกประเภทแบบคลาสเดียวใช้สำหรับการตรวจจับการเปลี่ยนแปลงแนวคิด^{[ 27 ]}