arXiv cs.AI· Mohamed Karim Belaid, Maximilian Rabus, Eyke H\"ullermeier·· 2 天前AI 评分22
成对差异学习（PDL）如何扩展到分类任务
Pairwise Difference Learning for Classification
AI 导读
论文将成对差异学习（PDL）从回归扩展到分类，通过在原训练数据的成对版本上求解二分类问题来构建 PDL 分类器。大规模实证研究显示，该分类器在预测性能上优于当前最先进方法，并提供了易用的 Python 包实现。
正文 · AI 翻译
摘要：成对差异学习（PDL）最近作为一种新的回归元学习技术被提出。其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相应结果之间差异的函数。给定此类函数，查询实例的预测由每个训练样本导出，然后取平均。本文将 PDL 扩展到分类任务，并提出一种元学习技术，通过在原始训练数据的成对版本上求解一个适当定义的（二元）分类问题来归纳出 PDL 分类器。我们在大规模实证研究中分析了 PDL 分类器的性能，发现其在预测性能上优于最先进的方法。最后但同样重要的是，我们提供了一个易于使用且公开可用的 PDL 的 Python 包实现。
| 评论： | v2：更正了 E. Hüllermeier 的电子邮件地址和 M.K. Belaid 的 ORCID；添加了对已发表版本的引用。发表于 Discovery Science (DS 2024) 的论文的预印本（同行评审前提交的版本），LNCS 第 15244 卷，Springer |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2406.20031 [cs.LG] |
| （或 arXiv:2406.20031v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2406.20031 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Discovery Science (DS 2024), Lecture Notes in Computer Science, vol. 15244, pp. 284-299, Springer (2025) |
| 相关 DOI： | https://doi.org/10.1007/978-3-031-78980-9_18
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]
2024年6月28日星期五 16:20:22 UTC（4,782 KB）
[v2]
2026年10月15日星期四 10:26:53 UTC（2,481 KB）
来源：arXiv cs.AI · arxiv.org