论文提出面向分类的成对差分学习与不确定性量化方法

1. 12:00
   arXiv · cs.AI

   成对差分学习分类中的不确定性量化研究

   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。

2. 12:00
   arXiv · cs.AI

   成对差异学习扩展至分类任务并提出PDL分类器

   作者提出成对差异学习（PDL）分类方法，通过对成对训练样本定义二元分类问题来学习两个样本结果差异，并据此对查询样本进行预测。基于论文摘要，作者称该方法在大规模实证研究中取得了优于现有方法的预测性能，并提供了公开的Python实现；具体基准、数据规模和实验条件未说明。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。