arXiv cs.AI· Bernard Georges, Mohamed Karim Belaid, Manuel Rodrigues·· 2 天前AI 评分18
成对差异学习（PDC）编码策略与训练对选择对比研究
Efficient Pairwise Difference Learning: A Comparative Study of Encoding Strategies and Training Pair Selection
AI 导读
一项针对成对差异学习分类（PDC）的系统实证研究比较了四种特征编码器与四种训练对选择策略，在近 200 个基准分类数据集上以 Decision Tree、Multilayer Perceptron、Gaussian Naive Bayes 和 Support Vector Classifier 为基模型测试。
正文 · AI 翻译
摘要：成对差异学习用于分类（PDC）通过在实例对上而非单个样本上训练二元相似性分类器，将训练集从 $n$ 个样本有效扩充至 $O(n^2)$ 个样本，从而增强低数据量情形下的监督学习。然而，PDC 框架对关键实现选择未作明确规定，尤其是在输入表示和配对选择策略方面。本工作通过大量实证评估系统地研究了这些设计决策。我们比较了四种特征编码器（成对特征、带相对差异的三元组、绝对差异，以及一种新颖的带绝对差异的三元组）以及四种配对选择策略，从穷举式到基于核稀疏化的方案。在近 200 个基准分类数据集上，以决策树、多层感知机、高斯朴素贝叶斯和支持向量分类器作为基础模型进行的实验表明，所提出的带绝对差异三元组编码器（$\phi_{\mathrm{3dabs}}$）取得了最高的平均 F1 分数。更值得注意的是，将训练限制在上三角配对可将计算时间减少约 40%，而精度损失可忽略不计。基于核稀疏化的选择没有带来精度收益，却大幅增加了计算开销。总体而言，PDC 配置在 94% 的测试案例中优于基础模型，但没有单一配置能普遍占优，这表明针对数据集的特定优化仍是一个未解决的挑战。
| 评论： | 13 页。预印本（同行评审前提交的版本），论文发表于 WorldCIST 2026，LNNS 第 2092 卷，Springer |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21644 [cs.LG] |
| （或 arXiv:2610.21644v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21644 arXiv 颁发的 DOI，经由 DataCite（待注册） |
|
| 期刊 参考： | Recent Trends and Challenges in Information Systems and Technologies (WorldCIST 2026), Lecture Notes in Networks and Systems, vol. 2092, pp. 366-378, Springer (2026) |
| 相关 DOI： | https://doi.org/10.1007/978-3-032-32023-0_31
链接到相关资源的 DOI |
提交历史
来自：Mohamed Karim Belaid [查看邮箱]
[v1]
2026 年 10 月 15 日星期四 10:25:11 UTC（141 KB）
来源：arXiv cs.AI · arxiv.org