Pairwise Difference Learning for Classification

要約

ペアワイズ差分学習 (PDL) は、回帰のための新しいメタ学習手法として最近導入されました。
標準的な方法でインスタンスから結果へのマッピングを学習する代わりに、重要なアイデアは、2 つのインスタンスを入力として受け取り、それぞれの結果間の差異を予測する関数を学習することです。
この種の関数が与えられると、クエリ インスタンスの予測がすべてのトレーニング サンプルから導出され、平均化されます。
この論文は、PDL を分類タスクに拡張し、元のトレーニング データのペア バージョンに対して適切に定義された (バイナリ) 分類問題を解くことによって PDL 分類器を誘導するためのメタ学習手法を提案します。
私たちは大規模な実証研究で PDL 分類器のパフォーマンスを分析し、予測パフォーマンスの点で最先端の手法を上回るパフォーマンスを示していることを発見しました。
最後に重要なことですが、Python パッケージでは、使いやすく一般に利用可能な PDL の実装が提供されています。

要約(オリジナル)

Pairwise difference learning (PDL) has recently been introduced as a new meta-learning technique for regression. Instead of learning a mapping from instances to outcomes in the standard way, the key idea is to learn a function that takes two instances as input and predicts the difference between the respective outcomes. Given a function of this kind, predictions for a query instance are derived from every training example and then averaged. This paper extends PDL toward the task of classification and proposes a meta-learning technique for inducing a PDL classifier by solving a suitably defined (binary) classification problem on a paired version of the original training data. We analyze the performance of the PDL classifier in a large-scale empirical study and find that it outperforms state-of-the-art methods in terms of prediction performance. Last but not least, we provide an easy-to-use and publicly available implementation of PDL in a Python package.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google