論文の概要: Efficient Pairwise Difference Learning: A Comparative Study of Encoding Strategies and Training Pair Selection

• arxiv url: http://arxiv.org/abs/2610.21644v1
• Date: Thu, 15 Oct 2026 10:25:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.024788
• Title: Efficient Pairwise Difference Learning: A Comparative Study of Encoding Strategies and Training Pair Selection
• Title（参考訳）: 効果的なペアワイズ学習--エンコード戦略と訓練ペア選択の比較研究
• Abstract要約: Pairwise Learning for Classification (PDC) は、個々のサンプルではなく、ペアのインスタンス上でバイナリ類似性分類器をトレーニングすることで、低データのレシエーションにおける教師あり学習を強化する。 PDCフレームワークは、特に入力表現とペア選択戦略に関して、不特定な実装選択を残している。 この研究は、広範な経験的評価を通じて、これらの決定を体系的に調査する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pairwise Difference Learning for Classification (PDC) enhances supervised learning in low-data regimes by training a binary similarity classifier on pairs of instances rather than individual samples, effectively inflating the training set from $n$ to $O(n^2)$ examples. However, the PDC framework leaves critical implementation choices underspecified, particularly regarding input representation and pair selection strategies. This work systematically investigates these design decisions through extensive empirical evaluation. We compare four feature encoders (paired features, triplet with relative difference, absolute difference, and a novel triplet with absolute difference) alongside four pair selection strategies ranging from exhaustive to kernel-thinning-based schemes. Experiments across nearly 200 benchmark classification datasets using Decision Tree, Multilayer Perceptron, Gaussian Naive Bayes, and Support Vector Classifier as base models reveal that the proposed triplet with absolute difference encoder ($φ_{\mathrm{3dabs}}$) achieves the highest average F1 scores. More notably, restricting training to upper-triangle pairs reduces computational time by approximately 40% with negligible accuracy loss. Kernel thinning-based selection provided no accuracy benefits while substantially increasing computational overhead. Overall, PDC configurations outperformed base models in 94% of tested cases, though no single configuration dominated universally, suggesting dataset-specific optimization remains an open challenge.
• Abstract（参考訳）: Pairwise Different Learning for Classification (PDC) は、個々のサンプルではなくインスタンスのペアに対してバイナリ類似性分類器を訓練することで、低データ体制における教師あり学習を強化し、$n$から$O(n^2)$のトレーニングセットを効果的に膨らませる。 しかしながら、PDCフレームワークは、特に入力表現とペア選択戦略に関して、不特定な実装選択を残している。 この研究は、これらの設計決定を広範な経験的評価を通じて体系的に研究する。 我々は,4つの特徴エンコーダ(ペア化特徴,相対差三重項,絶対差三重項,絶対差三重項)と,網羅的からカーネル薄型までの4つのペア選択戦略を比較した。 Decision Tree、Multilayer Perceptron、Gaussian Naive Bayes、Support Vector Classificationifierをベースモデルとして200近いベンチマーク分類データセットで実験した結果、絶対差エンコーダ(φ_{\mathrm{3dabs}}$)で提案された三重項が平均F1スコアを達成することがわかった。 より顕著なことに、上三角対へのトレーニングの制限は、無視できる精度の損失で計算時間を約40%短縮する。 カーネルの薄型化による選択は、計算オーバーヘッドを大幅に増加させながら、精度の利点を与えなかった。 全体として、PDC構成は、テストケースの94%でベースモデルを上回ったが、単一の構成が普遍的に支配的であり、データセット固有の最適化が依然としてオープンな課題であることを示唆している。

関連論文リスト

• Distribution-Conditioned Task Routing for Class-Incremental Learning [78.62212417481155]
  クラスインクリメンタル推論では、各入力をすべてのクラスに分類する必要がある。 これは、破滅的な忘れ物を超えた、重要なタスクルーティングの課題をもたらす。 学習者を再訓練したり、個別に訓練されたルータを導入することなく、ホック後のタスクルーティングについて検討する。
  論文  参考訳（メタデータ） (2026-09-28T07:48:15Z)
• Graph Representation Learning of Lightweight IoT Ciphers [0.7556652654070373]
  SIMONとSIMECKは、Feistelブロック暗号に基づく軽量暗号アルゴリズム(LCA)のファミリーに属している。 部分差分分布表(pDDT)から4つの差分属性を抽出する効率的な特徴工学戦略を導入する。 我々は、K-Nearest Neighbour (KNN)、Decision Trees (DT)、Random Forests (RF) を用いて、SIMON$32$とSIMECK$32$の3つのML誘導有向グラフを構築し、比較する。 3つのモデルはいずれも、高い確率微分を識別し、偽陽性をゼロにすることで1.0$の精度を達成する。
  論文  参考訳（メタデータ） (2026-08-24T09:57:11Z)
• Unsupervised Multi-kernel Learning for Automated Algorithm Selection [6.372443691054574]
  ブラックボックス最適化におけるアルゴリズム選択のための教師なしモデルに代わる教師なしモデル。 問題インスタンスはクラスタリングの段階でパフォーマンスラベルを使わずにグループ化される。 結果は、厳格に分離された3段階評価プロトコルを通じて、解決者推奨にポストホックにマッピングされる。
  論文  参考訳（メタデータ） (2026-07-21T12:18:49Z)
• Scaling LLM Inference with Optimized Sample Compute Allocation [56.524278187351925]
  我々は、異なる推論構成の最適な混合を見つけるアルゴリズムであるOSCAを提案する。 実験の結果,学習した混合アロケーションでは,最高の単一構成よりも精度がよいことがわかった。 OSCAはシングルターンタスク以外のエージェント処理にも有効であることが示されており、デフォルト設定よりも3倍少ない計算でSWE-Benchの精度が向上している。
  論文  参考訳（メタデータ） (2024-10-29T19:17:55Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Adaptive manifold for imbalanced transductive few-shot learning [16.627512688664513]
  適応マニフォールド(Adaptive Manifold)という,不均衡なトランスダクティブ・ショット・ラーニングに対処する新しいアルゴリズムを提案する。 提案手法は,ラベル付きサポート例とラベルなしクエリの基盤となる多様体を利用して,クエリごとのクラス確率分布を予測する。
  論文  参考訳（メタデータ） (2023-04-27T15:42:49Z)
• Efficient Convex Algorithms for Universal Kernel Learning [46.573275307034336]
  カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。 従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。 本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-15T04:57:37Z)
• Deep Negative Correlation Classification [82.45045814842595]
  既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。 深部負相関分類(DNCC)を提案する。 DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
  論文  参考訳（メタデータ） (2022-12-14T07:35:20Z)
• Ensemble Classifier Design Tuned to Dataset Characteristics for Network Intrusion Detection [0.0]
  データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。 提案手法は二進分類と多進分類の両方で評価される。
  論文  参考訳（メタデータ） (2022-05-08T21:06:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。