arXiv · cs.AI· Mohamed Karim Belaid, Maximilian Rabus, Eyke H\"ullermeier·· 6 小时前
成对差分学习分类中的不确定性量化研究
Uncertainty Quantification in Pairwise Difference Learning for Classification
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Mohamed Karim Belaid, Maximilian Rabus, Eyke H\"ullermeier
期刊信息（来源提供）：Machine Learning 115, 12 (2026)
研究任务与主要进展
论文提出面向分类任务的成对差分学习（PDL）方法：学习以两个实例为输入、预测结果差异的函数，对查询实例的预测由所有训练样本推导并平均，并为此设计了相应的元学习技术。研究进一步基于总不确定性分解为偶然性与认知性分量的近期工作，提出将该类度量扩展到 PDL 场景的多种方式，并通过大规模实证研究分析该分类器的预测精度与不确定性感知能力。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org