في عالم تعلم الآلة، تُعتبر تقنيات تحسين النموذج أمرًا ضروريًا لتحقيق نتائج أفضل، وخاصة في البيئات التي تحتوي على بيانات قليلة. تُعد تقنية تعلم الفروقات الزوجية (Pairwise Difference Learning) إحدى هذه التقنيات. فهي تعتمد على تحويل تصنيف البيانات من خلال تدريب مصنف مشابه ثنائي على أزواج من العينات بدلاً من العينات الفردية، مما يُضاعف مجموعة التدريب بشكل فعال.

ومع ذلك، يبقى السؤال الملح حول كيفية تصميم هذه التقنية بشكل مثالي. سواء كان الأمر يتعلق بتمثيل البيانات المُدخلة أو استراتيجيات اختيار الأزواج، فإن هناك العديد من الخيارات التي لم يتم توضيحها بشكل كافٍ في إطار تقنية تعلم الفروقات الزوجية (PDC).

أجرت دراسة حديثة تقييمًا منهجيًا لهذه القرارات التصميمية، حيث قُورنت أربع استراتيجيات ترميز، تضمنت الترميز بواسطة الخصائص الموزونة، والترميز الثلاثي مع الفارق النسبي، والفارق المطلق، والترميز الثلاثي الجديد بالفارق المطلق. بالإضافة إلى ذلك، تم اختبار أربع استراتيجيات لاختيار الأزواج تراوحت بين الشمولية واستراتيجيات تقليل الحجم القائمة على نواة.

أُجريت التجارب عبر 200 مجموعة بيانات مختلفة باستخدام نماذج أساسية مثل شجرة القرار (Decision Tree)، والبرسبيترون متعدد الطبقات (Multilayer Perceptron)، ونموذج بايز البسيط (Gaussian Naive Bayes)، ومصنف المتجهات الداعمة (Support Vector Classifier). أظهرت النتائج أن الترميز الثلاثي باستخدام الفارق المطلق ($\phi_{\mathrm{3dabs}}$) حقق أعلى متوسط ​​لنتائج F1.

الأهم من ذلك، كان الحد من التدريب للأزواج العلوية يقلل من وقت الحوسبة بنسبة تصل إلى 40% مع تأثير ضئيل على الدقة. بينما لم يقدم اختيار الأزواج المعتمد على تقليل الحجم أي فوائد في الدقة ولكنه زاد من تكلفة الحوسبة بشكل ملموس.

بشكل عام، أظهر إطار تعلم الفروقات الزوجية تفوقًا على النماذج الأساسية في 94% من الحالات الاختبارية، رغم عدم هيمنة تكوين واحد على جميع الحالات مما يشير إلى أن تحسين الأداء يجب أن يظل تحديًا مفتوحًا يتم تكييفه وفقًا لمجموعة البيانات المحددة.