学习相似性/不相似性与成对比较
机器学习
2026-03-23 v1
摘要
本文聚焦于在获取实例级标签不可行的场景中，通过利用定义在实例对上的多种弱标签来进行二分类。现有的 SconfConfDiff 分类框架依赖连续型概率监督，包括相似性-置信度（similarity-confidence，即类别一致性的概率）和置信度差（confidence-difference，即正类概率的差值）。然而，概率标记需要主观的不确定性量化，常导致监督不稳定。我们提出了 SD-Pcomp 分类，即基于二元判断的弱监督学习框架，仅依赖相对判断，包括两个实例之间的类别一致性以及对正类的成对偏好。该方法采用相似性/不相似性（Similarity/Dissimilarity, SD）标签和成对比较（Pairwise Comparison, Pcomp）标签，构建两个无偏风险估计器：(i) SD 和 Pcomp 的凸组合，以及 (ii) 通过建模两者关系整合两类标签的统一估计器。理论分析和实验结果表明，所提方法优于仅使用单一弱标签的方法在分类性能上取得改进，并对标签噪声和类别先验估计中的不确定性具有鲁棒性。
引用
@article{arxiv.2603.19713,
title = {Learning from Similarity/Dissimilarity and Pairwise Comparison},
author = {Tomoya Tate and Kosuke Sugiyama and Masato Uchida},
journal= {arXiv preprint arXiv:2603.19713},
year = {2026}
}