Pairwise Difference Learning for Classification

这篇论文介绍了一种新的元学习技术——Pairwise difference learning (PDL)，用于回归问题。与标准方法学习从实例到结果的映射不同，PDL的关键思想是学习一个函数，该函数将两个实例作为输入，并预测相应结果之间的差异。通过这种函数，对于查询实例的预测是从每个训练样例中派生并平均得出的。本文将PDL扩展到分类任务，并提出了一种元学习技术，通过在原始训练数据的成对版本上解决适当定义的（二元）分类问题来诱导PDL分类器。我们在大规模的实证研究中分析了PDL分类器的性能，并发现它在预测性能方面优于最先进的方法。最后但并非最不重要的是，我们提供了一个易于使用且公开可用的PDL Python包的实现。

论文旨在将Pairwise difference learning (PDL)方法扩展到分类任务，并提出一种元学习技术来诱导PDL分类器。论文试图验证PDL分类器在大规模实验中的预测性能是否优于现有方法。

论文提出了一种元学习技术，通过在原始训练数据的成对版本上解决适当定义的（二进制）分类问题来诱导PDL分类器。该分类器的关键思路是学习一个函数，该函数接受两个实例作为输入并预测相应结果之间的差异。

论文在大规模实验中分析了PDL分类器的性能，发现其在预测性能方面优于现有方法。此外，论文还提供了一个易于使用的Python包来实现PDL，并公开了代码。

最近的相关研究包括基于元学习的其他分类器和回归器，如MAML和Reptile等。