Porinis palyginimas vienu metu vertina du elementus, siekiant nustatyti santykines pirmenybes arba reitingus, o kelių klasių palyginimas vienu metu vertina kelias kategorijas, kad jas klasifikuotų arba reitinguotų vienu žingsniu. Abu metodai atlieka skirtingas funkcijas mašininio mokymosi, sprendimų priėmimo ir statistinės analizės srityse.
Metodas, kuriuo vienu metu lyginami du elementai, siekiant gauti reitingus, prioritetus ar santykinius balus.
Klasifikavimo arba vertinimo metodas, vienu metu apdorojantis tris ar daugiau kategorijų viename modelyje.
| Funkcija | Porinis palyginimas | Kelių klasių palyginimas |
|---|---|---|
| Palygintų elementų skaičius | Tiksliai du elementai vienu metu | Trys ar daugiau klasių vienu metu |
| Išvesties formatas | Pirmenybės balas, tikimybė arba reitingas | Klasės žymė arba tikimybių pasiskirstymas tarp klasių |
| Skaičiavimo sudėtingumas | O(n²) palyginimai n elementų | O(1) prognozė vienam egzemplioriui po mokymo |
| Pagrindinis naudojimo atvejis | Reitingavimas, pageidavimų išaiškinimas, A/B testavimas | Klasifikavimas, ženklinimas, kategorizavimas |
| Tvarkymo kaklaraiščiai | Gali sukelti intranzityvius ciklus (A>B, B>C, C>A) | Galimi tikimybių balų lygiosios; dažnai išsprendžiamos naudojant „argmax“ |
| Mastelio keitimas | Dėl kvadratinio augimo tampa brangu esant dideliam n | Geriau pritaikomas daugeliui klasių su efektyviais algoritmais |
| Algoritmo pavyzdys | Bradley-Terry modelis, Elo reitingas, RankNet | „Softmax“, atsitiktinis miškas, SVM su OvR/OvO |
Porinis palyginimas suskaido sudėtingus sprendimus į paprastesnius tiesioginius palyginimus. Ši redukcionistinė strategija dažnai leidžia pateikti patikimesnius žmonių sprendimus, nes žmonėms lengviau palyginti du elementus nei surikiuoti ilgą sąrašą. Priešingai, kelių klasių palyginimas apima visą problemos sudėtingumą iš anksto, mokydamas modelius atskirti visas kategorijas vienu metu. Toks holistinis požiūris gali užfiksuoti subtilius modelius, kurių poriniai skaidymai gali nepastebėti.
Mašininio mokymosi srityje poriniai metodai konstruoja mokymo pavyzdžius iš elementų porų, efektyviai padidindami duomenų rinkinio dydį, bet taip pat įvesdami koreliaciją tarp išvestinių pavyzdžių. Daugiaklasiai metodai mokosi tiesiogiai su pradiniais paženklintais duomenimis, nors jie gali būti skaidomi viduje – vieno ir vieno metodas moko k dvejetainių klasifikatorių k klasėms, o vieno ir vieno metodas moko k(k-1)/2 klasifikatorių. Pasirinkimas turi įtakos tiek mokymo laikui, tiek tam, kaip užtikrintai modelis apibendrina nematomus duomenis.
Poriniai palyginimai vertinami naudojant Kendallo tau, Spearmano koreliaciją arba porinį tikslumą – matuojant, kaip dažnai numatoma tvarka atitinka faktinę tiesą. Daugiaklasis klasifikavimas remiasi tikslumu, preciziškumu, atkūrimu ir jų makro arba mikro vidurkiais tarp klasių. Šie metriniai skirtumai atspindi gilesnius filosofinius skirtumus: porinis palyginimas rūpinasi santykine tvarka, o daugiaklasis – teisingu absoliučiu priskyrimu.
Kai elementų rinkiniai išauga dideli, porinis palyginimas kombinatoriškai išauga – tūkstančiui elementų reikia beveik pusės milijono palyginimų. Protinga atranka arba aktyvus mokymasis gali tai sušvelninti, tačiau esminė įtampa išlieka. Kelių klasių palyginimas prognozavimo metu sklandžiau tvarko daugybę kategorijų, nors klasių disbalansas gali smarkiai iškreipti našumą. Praktiškai dažnai atsiranda hibridiniai metodai: porinis mokymasis reitinguoti remiasi kelių klasių paieškos sistemų ir rekomendacijų srautų struktūromis.
Porinis palyginimas naudojamas tik žmonių pageidavimų apklausoms ir neturi vietos šiuolaikiniame mašininiame mokymesi.
Porinis mokymasis yra pažangiausių reitingavimo sistemų, pradedant „Google“ paieškos algoritmais ir baigiant sustiprinto mokymosi iš žmonių grįžtamojo ryšio (RLHF) dideliuose kalbų modeliuose, pagrindas. Šis metodas išlieka labai aktualus mokant dirbtinį intelektą prisitaikyti prie žmonių vertybių ir pageidavimų.
Daugiaklasis klasifikavimas visada reikalauja daugiau duomenų nei porinis metodas.
Duomenų reikalavimai labai priklauso nuo problemos struktūros. Poriniai metodai iš tikrųjų gali generuoti daugiau mokymo pavyzdžių, sukurdami poras iš ribotų duomenų, nors šie išvestiniai pavyzdžiai nėra nepriklausomi. Daugiaklasiams metodams gali reikėti mažiau bendrų duomenų, jei klasės yra gerai atskirtos ir subalansuotos.
Vieno prieš vieną kelių klasių strategija yra identiška poriniam palyginimui.
Nors abu metodai apima porų palyginimą, „vienas prieš vieną“ kiekvienai klasių porai parengia atskirus dvejetainius klasifikatorius ir sujungia balsus, sukurdamas vieną klasės žymę. Tikrasis porinis palyginimas siekia sukurti visą reitingavimo arba preferencijų struktūrą, o ne tik klasifikavimo rezultatą.
Poriniai metodai visada sukuria tranzityvų, nuoseklų reitingavimą.
Žmonių pageidavimai ir net modelių prognozės gali pažeisti tranzityvumą, sukurdamos ciklus, kuriuose A yra pageidaujamas B, B – C ir C – A. Tokiems neatitikimams spręsti reikalingi specializuoti metodai, tokie kaip spektrinis reitingavimas arba apribojimų tenkinimas.
Daugiaklasiai modeliai negali išvesti reitingų, tik atskiras etiketes.
Dauguma daugiaklasių klasifikatorių išveda tikimybės balus visose klasėse, kuriuos galima tiesiogiai surūšiuoti. Skirtumas slypi mokymo tiksle – daugiaklasis klasifikavimas optimizuoja teisingą klasifikavimą, o porinis reitingavimas optimizuoja teisingą santykinę tvarką.
Rinkitės porinį palyginimą, kai jums reikia tikslių pirmenybių reitingų, ypač iš žmonių vertintojų, arba kai elementams trūksta aiškių kategorinių etikečių. Rinkitės kelių klasių palyginimą, kai jūsų problema natūraliai suskaidoma į atskiras kategorijas ir jums reikia veiksmingų, keičiamo mastelio prognozių. Daugelyje realaus pasaulio sistemų, pradedant paieškos sistemomis ir baigiant produktų rekomendavimo priemonėmis, derinami abu metodai, kad išnaudotų jų papildomus stipriuosius bruožus.
„DeepSeek V4“ yra kylantis atvirojo svorio didelių kalbų modelis, sukurtas Kinijos dirbtinio intelekto laboratorijoje, o GPT-4 klasės modeliai nurodo „OpenAI“ flagmanines uždarojo kodo sistemas. Šiame palyginime nagrinėjama jų architektūra, galimybės, kainos, prieinamumas ir našumas realiame pasaulyje, siekiant padėti kūrėjams ir įmonėms išmintingai pasirinkti.
„Google“ paieška yra plataus masto žiniatinklio indeksavimo variklis, kurį dauguma žmonių naudoja kasdien, o „Knowledge Graph Search“ yra „Google“ struktūrizuotų objektų duomenų bazė, kurioje pateikiami tiesioginiai atsakymai ir informacijos skydeliai. Supratimas, kuo jie skiriasi, padeda paaiškinti, kodėl kai kurios užklausos pateikia išsamius faktus, o kitos – tradicines mėlynas nuorodas.
„Google“ paieškos algoritmas reitinguoja milijardus tinklalapių, naudodamas mašininį mokymąsi ir šimtus signalų, o supaprastinti klasių modeliai perteikia dirbtinio intelekto koncepcijas į lengvai mokomas, prieinamas sistemas. Viena sistema veikia planetos mastu gamyboje; kita tarnauja kaip pedagoginis tiltas mokiniams, mokantis, kaip iš tikrųjų veikia dirbtinis intelektas.
„Vienas su vienu“ atitikimo metodas kiekvienam pagrindiniam objektui priskiria vieną numatomą langelį, o „daugelis su vienu“ atitikimo metodas leidžia kelias prognozes suderinti su vienu taikiniu. Abi strategijos formuoja tai, kaip šiuolaikiniai detektoriai, tokie kaip DETR ir „Faster R-CNN“, mokosi lokalizuoti objektus, kiekvienas iš jų turi skirtingus kompromisus tikslumo, mokymo stabilumo ir pasikartojančių aptikimų tvarkymo srityse.
A/B testavimas modeliuose nukreipia srautą tarp konkuruojančių modelio versijų, kad būtų galima įvertinti realų našumą, o diegiant vieną modelį visiems vartotojams pateikiamas vienas modelis. Komandos renkasi iš jų pagal rizikos toleranciją, srauto kiekį ir statistinio patvirtinimo poreikį prieš visišką diegimą.
