arXiv cs.AI· Mohamed Karim Belaid, Maximilian Rabus, Eyke H\"ullermeier·· 2 天前AI 评分12
成对差异学习（PDL）分类中的不确定性量化
Uncertainty Quantification in Pairwise Difference Learning for Classification
AI 导读
研究者为分类任务提出成对差异学习（PDL）的版本及配套元学习技术，并解决其预测的不确定性量化问题。基于将总不确定性分解为偶然与认知成分的近期工作，提出多种将相应度量扩展到 PDL 场景的方法，具体取决于基学习器如何及在多大程度上表示不确定性。大规模实证研究同时分析了该 PDL 分类器的预测准确率与不确定性感知能力。
正文 · AI 翻译
摘要：成对差异学习（PDL）的核心思想不是以标准方式学习从实例到结果的映射，而是学习一个以两个实例为输入并预测各自结果之间差异的函数。给定这样一个函数，对查询实例的预测由每个训练样本导出，然后取平均。我们针对分类任务提出了一种 PDL 版本，并为此提出了一种合适的元学习技术。此外，我们研究了不确定性量化问题，即以忠实的方式表示和量化 PDL 分类器预测的不确定性。基于近期关于将总不确定性分解为偶然性和认知性成分的工作，我们提出了将相应度量扩展到 PDL 设置的不同方式，具体取决于底层基学习器如何以及在多大程度上表示不确定性。在大规模实证研究中，我们分析了 PDL 分类器的预测准确性和不确定性感知能力。
| 评论： | 32 页。发表于 Machine Learning 115, 12 (2026) 的文章的预印本（同行评审前提交的版本） |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21554 [cs.LG] |
| （或 arXiv:2610.21554v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21554 arXiv 颁发的 DOI，通过 DataCite（待注册） |
|
| 期刊 参考： | Machine Learning 115, 12 (2026) |
| 相关 DOI： | https://doi.org/10.1007/s10994-025-06949-0
链接到相关资源的 DOI |
提交历史
来自：Mohamed Karim Belaid [查看电子邮件]
[v1]
2026年10月15日星期四 09:15:08 UTC（7,295 KB）
来源：arXiv cs.AI · arxiv.org