Pāru salīdzinājums vienlaikus novērtē divus vienumus, lai noteiktu relatīvās preferences vai rangus, savukārt vairāku klašu salīdzinājums vienlaikus novērtē vairākas kategorijas, lai tās klasificētu vai rangu noteiktu vienā solī. Abas pieejas kalpo atšķirīgiem mērķiem mašīnmācībā, lēmumu pieņemšanā un statistiskajā analīzē.
Metode, kas vienlaikus salīdzina divus vienumus, lai iegūtu rangus, preferences vai relatīvos vērtējumus.
Klasifikācijas vai novērtēšanas pieeja, kas vienā modelī vienlaikus apstrādā trīs vai vairākas kategorijas.
| Funkcija | Pāru salīdzinājums | Daudzklases salīdzinājums |
|---|---|---|
| Salīdzināto vienību skaits | Tieši divi vienumi vienlaikus | Trīs vai vairāk nodarbības vienlaikus |
| Izvades formāts | Priekšroka, varbūtība vai rangs | Klases etiķete vai varbūtības sadalījums starp klasēm |
| Skaitļošanas sarežģītība | O(n²) salīdzinājumi n vienumiem | O(1) prognoze katram gadījumam pēc apmācības |
| Primārais lietošanas gadījums | Ranžēšana, preferenču izzināšana, A/B testēšana | Klasifikācija, marķēšana, kategorizācija |
| Saites apstrāde | Var izraisīt intransitīvus ciklus (A>B, B>C, C>A) | Varbūtības rādītājos iespējamas neizšķirtas vērtības; bieži vien tiek atrisinātas ar argmax |
| Mērogojamība | Kļūst dārgs ar lielu n kvadrātiskās izaugsmes dēļ | Labāk mērogojas daudzām klasēm ar efektīviem algoritmiem |
| Algoritma piemērs | Bradley-Terry modelis, Elo reitings, RankNet | Softmax, nejaušais mežs, SVM ar OvR/OvO |
Pāru salīdzināšana sadala sarežģītus lēmumus vienkāršākās tiešās salīdzināšanās reizēs. Šī redukcionistiskā stratēģija bieži vien sniedz ticamākus cilvēku spriedumus, jo cilvēkiem ir vieglāk salīdzināt divus vienumus nekā sarindot garu sarakstu. Turpretī vairāku klašu salīdzināšana jau sākotnēji aptver visu problēmas sarežģītību, apmācot modeļus, lai tie vienā piegājienā atšķirtu visas kategorijas. Šis holistiskais skatījums var uztvert smalkus modeļus, ko pāru dekompozīcijas varētu nepamanīt.
Mašīnmācībā pāru metodes konstruē apmācības piemērus no vienību pāriem, efektīvi palielinot datu kopas lielumu, bet arī ieviešot korelāciju starp atvasinātajiem piemēriem. Daudzklašu metodes apmācās tieši ar sākotnējiem marķētajiem datiem, lai gan tās var sadalīt tos iekšēji — viens pret pārējo apmāca k bināros klasifikatorus k klasēm, savukārt viens pret vienu apmāca k(k-1)/2 klasifikatorus. Šī izvēle ietekmē gan apmācības laiku, gan to, cik pārliecinoši modelis vispārina uz neredzētiem datiem.
Pāru salīdzinājumi tiek novērtēti, izmantojot Kendala tau, Spīrmena korelāciju vai pāru precizitāti — mērot, cik bieži paredzētā secība atbilst patiesībai. Daudzklases klasifikācija balstās uz precizitāti, precizitāti, atcerēšanos un to makro vai mikro vidējiem rādītājiem dažādās klasēs. Šīs metriskās atšķirības atspoguļo dziļākas filozofiskas atšķirības: pāru klasifikācija rūpējas par relatīvo secību, savukārt daudzklases klasifikācija piešķir prioritāti pareizai absolūtai piešķiršanai.
Kad vienību kopas kļūst lielas, pāru salīdzināšana kombinatoriski eksplodē — tūkstoš vienību prasa gandrīz pusmiljonu salīdzinājumu. Gudra izlase vai aktīva mācīšanās var to mazināt, taču fundamentālā spriedze saglabājas. Vairāku klašu salīdzināšana prognozēšanas laikā elegantāk apstrādā daudzas kategorijas, lai gan klašu nelīdzsvarotība var nopietni ietekmēt veiktspēju. Praksē bieži parādās hibrīdas pieejas: pāru mācīšanās ranžēšanai tiek izmantota vairāku klašu sistēmās meklētājprogrammās un ieteikumu ķēdēs.
Pāru salīdzināšana tiek izmantota tikai cilvēku preferenču aptaujās, un tai nav vietas mūsdienu mašīnmācībā.
Pāru mācīšanās ir pamatā modernākajām rangu sistēmām, sākot no Google meklēšanas algoritmiem līdz pastiprināšanas mācīšanās no cilvēku atsauksmēm (RLHF) lielos valodu modeļos. Šī pieeja joprojām ir ļoti aktuāla mākslīgā intelekta apmācībā, lai tas atbilstu cilvēku vērtībām un vēlmēm.
Daudzklases klasifikācijai vienmēr ir nepieciešams vairāk datu nekā pāru pieejai.
Datu prasības ir ļoti atkarīgas no problēmas struktūras. Pāru metodes faktiski var ģenerēt vairāk apmācības piemēru, izveidojot pārus no ierobežotiem datiem, lai gan šie atvasinātie piemēri nav neatkarīgi. Vairāku klašu metodēm var būt nepieciešams mazāks kopējais datu apjoms, ja klases ir labi atdalītas un līdzsvarotas.
Daudzklases stratēģija “viens pret vienu” ir identiska salīdzināšanai pāros.
Lai gan abos gadījumos tiek salīdzināti pāri, viens pret vienu salīdzinājums katram klases pārim sagatavo atsevišķus bināros klasifikatorus un apvieno balsis, izveidojot vienu klases etiķeti. Patiesa pāru salīdzināšana tiecas izveidot pilnīgu rangu vai preferenču struktūru, nevis tikai klasifikācijas rezultātu.
Pāru metodes vienmēr ģenerē tranzitīvus, konsekventus rangus.
Cilvēka preferences un pat modeļu prognozes var pārkāpt tranzitivitāti, radot ciklus, kuros A tiek dota priekšroka pār B, B pār C un C pār A. Šādu neatbilstību apstrādei ir nepieciešamas specializētas metodes, piemēram, spektrālā ranžēšana vai ierobežojumu apmierināšana.
Daudzklases modeļi nevar izvadīt rangus, tikai atsevišķas etiķetes.
Lielākā daļa daudzklases klasifikatoru izvada varbūtības rādītājus visās klasēs, kurus var vienkārši ranžēt. Atšķirība slēpjas apmācības mērķī — daudzklases optimizē pareizu klasifikāciju, savukārt pāru ranžēšana optimizē pareizu relatīvo secību.
Izvēlieties pāru salīdzināšanu, ja nepieciešama detalizēta preferenču klasifikācija, īpaši no cilvēku vērtētājiem, vai ja vienumiem trūkst skaidru kategorisku etiķešu. Izvēlieties vairāku klašu salīdzināšanu, ja jūsu problēma dabiski sadalās atšķirīgās kategorijās un jums ir nepieciešamas efektīvas, mērogojamas prognozes. Daudzas reālās pasaules sistēmas, sākot no meklētājprogrammām līdz produktu ieteikšanas rīkiem, apvieno abas pieejas, lai izmantotu to savstarpēji papildinošās stiprās puses.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
