مقایسه زوجی، دو به دو موارد را در یک زمان ارزیابی میکند تا ترجیحات یا رتبهبندیهای نسبی را تعیین کند، در حالی که مقایسه چند کلاسه به طور همزمان چندین دسته را ارزیابی میکند تا آنها را در یک مرحله طبقهبندی یا رتبهبندی کند. هر دو رویکرد اهداف متمایزی را در یادگیری ماشین، تصمیمگیری و تجزیه و تحلیل آماری دنبال میکنند.
روشی برای مقایسه دو مورد به طور همزمان برای استخراج رتبهبندیها، ترجیحات یا نمرات نسبی.
یک رویکرد طبقهبندی یا ارزیابی که سه یا چند دسته را به طور همزمان در یک مدل مدیریت میکند.
| ویژگی | مقایسه دو به دو | مقایسه چند کلاسی |
|---|---|---|
| تعداد موارد مقایسه شده | دقیقاً دو مورد در یک زمان | سه یا چند کلاس همزمان |
| فرمت خروجی | امتیاز ترجیحی، احتمال یا رتبهبندی | برچسب کلاس یا توزیع احتمال در بین کلاسها |
| پیچیدگی محاسباتی | مقایسههای O(n²) برای n مورد | پیشبینی O(1) به ازای هر نمونه پس از آموزش |
| مورد استفاده اصلی | رتبهبندی، استخراج ترجیحات، تست A/B | طبقهبندی، برچسبگذاری، دستهبندی |
| جابجایی کراوات | میتواند منجر به چرخههای لازم (A>B، B>C، C>A) شود. | احتمال تساوی در امتیازات احتمال وجود دارد؛ اغلب توسط argmax حل میشود |
| مقیاسپذیری | به دلیل رشد درجه دوم، با n بزرگ پرهزینه میشود | با الگوریتمهای کارآمد، مقیاسپذیری بهتری برای کلاسهای مختلف دارد |
| الگوریتم مثال | مدل بردلی تری، رتبه الو، رنک نت | سافتمکس، جنگل تصادفی، ماشین بردار پشتیبان با OvR/OvO |
مقایسه زوجی، تصمیمات پیچیده را به تطابقهای سادهتر رو در رو تجزیه میکند. این استراتژی تقلیلگرایانه اغلب قضاوتهای انسانی قابل اعتمادتری را به همراه دارد، زیرا افراد مقایسه دو مورد را آسانتر از رتبهبندی یک لیست طولانی میدانند. در مقابل، مقایسه چند کلاسی، پیچیدگی کامل یک مسئله را از قبل در نظر میگیرد و مدلها را برای تمایز قائل شدن بین همه دستهها در یک مرحله آموزش میدهد. این دیدگاه جامع میتواند الگوهای ظریفی را که تجزیههای زوجی ممکن است از دست بدهند، ثبت کند.
در یادگیری ماشین، روشهای جفتی، نمونههای آموزشی را از جفتهای آیتم میسازند و به طور مؤثر اندازه مجموعه دادهها را تقویت میکنند، اما همچنین همبستگی بین نمونههای مشتق شده را معرفی میکنند. روشهای چند کلاسه مستقیماً روی دادههای برچسبگذاری شده اصلی آموزش میدهند، اگرچه ممکن است به صورت داخلی تجزیه شوند - یک در مقابل بقیه، k طبقهبندیکننده دودویی را برای k کلاس آموزش میدهد، در حالی که یک در مقابل یک، k(k-1)/2 طبقهبندیکننده را آموزش میدهد. این انتخاب هم بر زمان آموزش و هم بر میزان اطمینان مدل برای تعمیم به دادههای دیده نشده تأثیر میگذارد.
مقایسههای زوجی از طریق ضریب تاو کندال، همبستگی اسپیرمن یا دقت زوجی ارزیابی میشوند - که میزان تطابق ترتیب پیشبینیشده با واقعیت پایه را اندازهگیری میکند. طبقهبندی چندکلاسه بر دقت، صحت، فراخوانی و میانگینهای کلان یا خرد آنها در بین کلاسها تکیه دارد. این تفاوتهای معیار، شکافهای فلسفی عمیقتری را منعکس میکنند: طبقهبندی زوجی به ترتیب نسبی اهمیت میدهد، در حالی که طبقهبندی چندکلاسه به انتساب مطلق صحیح اولویت میدهد.
وقتی مجموعه اقلام بزرگ میشوند، مقایسه زوجی به صورت ترکیبی منفجر میشود - هزار قلم کالا تقریباً به نیم میلیون مقایسه نیاز دارد. نمونهگیری هوشمندانه یا یادگیری فعال میتواند این مشکل را کاهش دهد، اما تنش اساسی همچنان باقی است. مقایسه چند کلاسی در زمان پیشبینی، دستههای متعدد را با ظرافت بیشتری مدیریت میکند، اگرچه عدم تعادل کلاسی میتواند عملکرد را به شدت تحت تأثیر قرار دهد. در عمل، اغلب رویکردهای ترکیبی پدیدار میشوند: یادگیری زوجی برای رتبهبندی فیدها به چارچوبهای چند کلاسی در موتورهای جستجو و خطوط لوله توصیه.
مقایسه زوجی فقط برای بررسی ترجیحات انسانی استفاده میشود و جایی در یادگیری ماشینی مدرن ندارد.
یادگیری جفتی زیربنای سیستمهای رتبهبندی پیشرفته است، از الگوریتمهای جستجوی گوگل گرفته تا یادگیری تقویتی از بازخورد انسانی (RLHF) در مدلهای زبانی بزرگ. این رویکرد همچنان برای آموزش هوش مصنوعی جهت همسو شدن با ارزشها و ترجیحات انسانی بسیار مرتبط است.
طبقهبندی چند کلاسه همیشه به دادههای بیشتری نسبت به رویکردهای جفتی نیاز دارد.
الزامات داده به شدت به ساختار مسئله بستگی دارد. روشهای جفتی در واقع میتوانند با ایجاد جفتهایی از دادههای محدود، نمونههای آموزشی بیشتری تولید کنند، اگرچه این نمونههای مشتق شده مستقل نیستند. روشهای چند کلاسه ممکن است در صورت تفکیک خوب و متعادل بودن کلاسها، به دادههای کلی کمتری نیاز داشته باشند.
استراتژی چند کلاسه یک در مقابل یک، مشابه مقایسه زوجی است.
در حالی که هر دو شامل مقایسه جفتها هستند، آموزشهای یک به یک، طبقهبندیکنندههای دودویی جداگانه را برای هر جفت کلاس آموزش میدهند و آرا را با هم ترکیب میکنند و یک برچسب کلاس واحد تولید میکنند. مقایسه جفتی واقعی با هدف تولید یک رتبهبندی یا ساختار ترجیحی کامل انجام میشود، نه صرفاً یک نتیجه طبقهبندی.
روشهای دو به دو همیشه رتبهبندیهای متعدی و سازگار تولید میکنند.
ترجیحات انسانی و حتی پیشبینیهای مدل میتوانند انتقالپذیری را نقض کنند و چرخههایی ایجاد کنند که در آنها A به B، B به C و C به A ترجیح داده میشود. مدیریت چنین ناسازگاریهایی نیازمند تکنیکهای تخصصی مانند رتبهبندی طیفی یا ارضای محدودیت است.
مدلهای چندکلاسه نمیتوانند رتبهبندیها را خروجی دهند، فقط برچسبهای گسسته ارائه میدهند.
بیشتر طبقهبندیکنندههای چندکلاسه، نمرات احتمال را در تمام کلاسها خروجی میدهند که میتوان آنها را به راحتی رتبهبندی کرد. تمایز در هدف آموزش نهفته است - طبقهبندی چندکلاسه برای طبقهبندی صحیح بهینه میشود، در حالی که رتبهبندی جفتی برای ترتیب نسبی صحیح بهینه میشود.
وقتی به رتبهبندیهای دقیق ترجیحات نیاز دارید، به خصوص از سوی داوران انسانی یا وقتی اقلام فاقد برچسبهای دستهبندی واضح هستند، مقایسه زوجی را انتخاب کنید. وقتی مشکل شما به طور طبیعی به دستههای مجزا تقسیم میشود و به پیشبینیهای کارآمد و مقیاسپذیر نیاز دارید، مقایسه چند کلاسه را انتخاب کنید. بسیاری از سیستمهای دنیای واقعی، از موتورهای جستجو گرفته تا توصیهگرهای محصول، هر دو رویکرد را برای بهرهبرداری از نقاط قوت مکمل آنها ترکیب میکنند.
LLM های مبتنی بر ابزار، مدلهای زبانی مستقل را با اتصال آنها به APIهای خارجی، ماشینحسابها و پایگاههای داده گسترش میدهند و بازیابی اطلاعات و اجرای وظایف را در زمان واقعی امکانپذیر میسازند. LLM های مستقل صرفاً به پارامترهای آموزشدیده خود متکی هستند و آنها را مستقل اما محدود به دانش حاصل از دادههای آموزشی میکنند.
LLM های متن باز، مدلهای هوش مصنوعی قابل تنظیم و خود-میزبان با دسترسی کامل به کد ارائه میدهند، در حالی که API های اختصاصی LLM، خدمات مدیریت شده و بهبود یافته را از طریق نقاط پایانی مبتنی بر ابر با قیمت گذاری مبتنی بر میزان استفاده ارائه میدهند.
RAG و LLM های تنظیمشده دقیق، هر دو کیفیت خروجی هوش مصنوعی را بهبود میبخشند، اما به روشهای اساساً متفاوتی عمل میکنند. RAG اطلاعات خارجی را در زمان پرسوجو دریافت میکند، در حالی که تنظیم دقیق، دانش جدید را مستقیماً در وزنهای مدل قرار میدهد. انتخاب بین آنها بستگی به این دارد که دادههای شما چند وقت یکبار تغییر میکنند و به چه نوع دقتی نیاز دارید.
RAG با زمینه بصری، مدلهای زبانی را با بازیابی تصاویر، نمودارها و دیاگرامها در کنار متن غنی میکند، در حالی که RAG فقط متنی صرفاً به متون نوشتاری متکی است. RAG بصری در وظایف چندوجهی مانند درک اسناد و پاسخ به سؤالات بصری برتری دارد، در حالی که RAG فقط متنی سادهتر، سریعتر و ارزانتر برای استقرار باقی میماند.
RAG چندوجهی متن، تصاویر، صدا و ویدیو را برای بازیابی غنیتر با هم پردازش میکند، در حالی که RAG فقط متنی منحصراً بر محتوای نوشتاری تمرکز دارد. انتخاب بستگی به این دارد که آیا دادهها و موارد استفاده شما فراتر از اسناد متنی ساده است یا خیر.
