成对差异学习分类器引入不确定性量化方法
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇发表于《Machine Learning》115卷12期的论文为分类任务提出成对差异学习（PDL）版本，并配套元学习技术。PDL不按常规学习从实例到结果的映射，而是学习接收两个实例、预测其结果差异的函数，查询实例的预测由每个训练样本推导后取平均。作者针对PDL分类器预测的不确定性表示与量化问题，基于总不确定性分解为偶然与认知两部分的近期工作，按基学习器表示不确定性的方式提出多种扩展度量，并在大规模实证研究中同时考察预测准确率与不确定性感知能力。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载PDL 的基本思路
常规做法是学习从实例到结果的映射，成对差异学习（PDL）换了一条路径：学习一个以两个实例为输入、输出二者结果差异的函数。得到这样的函数后，对某个查询实例的预测不再来自单一模型输出，而是从每一个训练样本出发分别推导，再把这些结果平均起来。论文为分类任务给出了这一框架的具体版本，并设计了相应的元学习技术来支撑它。这种「以训练样本为参照、逐对比较再聚合」的机制，是后续讨论不确定性如何表示的前提。
不确定性如何拆解
论文关注的是如何忠实表示并量化 PDL 分类器预测的不确定性。作者借助近期关于把总不确定性分解为偶然成分与认知成分的工作，提出若干种把相应度量扩展到 PDL 情形的做法。具体采用哪种扩展，取决于底层基学习器以何种方式、在多大程度上表示不确定性。也就是说，不确定性度量的形式并非唯一，而是随基学习器的表示能力而变，这构成了论文方法层面的主要贡献之一。
实证考察的范围
作者开展了大规模实证研究，同时观察两件事：一是 PDL 分类器的预测准确率，二是它的不确定性感知能力。前者衡量分类本身做得好不好，后者衡量模型给出的不确定性是否与真实错误情况相称。论文共 32 页，是发表在《Machine Learning》115 卷 12 期上的文章的预印本版本，即同行评审前提交的稿件。
为什么值得看
把不确定性拆成偶然与认知两类并适配到成对差异学习，对需要可信度估计的分类场景有直接参考价值。
量化论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。