我有成对的对象，例如
A = { L, M, N, P } = { <"Lll", 47, 0.004>, <"Mm", 60, 0.95>, <"Nnnn", 33, 0.2892>, <"P", 47, 0.0125> }
B = { l, m, n, o } = { <"l", 46, 0.004>, <"m", 0, 0.95>, <"nn", 33, 0.2892>, <"oOo", 33, 0.5773> }
...我希望自动训练基于已知良好数据的算法，以了解如何将集合成员链接为
{ <L, l>, <M, m>, <N, n>, <?, o>, <P, ?> }
...最多只有一个匹配任何一个元素的每个元素。集合不必具有相同的大小并且不保证它们的重叠 - 可能没有匹配，也许所有匹配，可能是匹配和不匹配的混合。但是 预计在很多情况下都是人类可识别的匹配，并且计算机应该接近它。
H(a, b, w1, w2, w3)将来自<a1, a2, a3>的{{1}}和来自A的{{1}}的{{1}}分为<b1, b2, b3> B，{ {1}}和f1(a1, b1) * w1 + f2(a2, b2) * w2 + f3(a3, b3) * w3是手工制作的，f1，f2和f3是参数化权重。我按照他们的分数对所有对w1进行排序，然后选择其中没有一个成员已经由更高得分的对表示的对。我使用粗略的爬坡来训练重量，以便得到的对映射为训练数据所期望的。完美的加权配置具有阈值w2，其从不正确的配对得分描绘正确的配对得分w3。该算法常规地在几百或几千次迭代之后找到完美的配置，用于我的训练数据约为800 A × B组，总共2500对8-uples（而不是所示的3-uples）。我还没有给它一个验证数据集，以找出这种方法过度拟合的严重程度。
我对这个问题的固定方面的硬编码处理感到不满意。我只能想象用于评分对的机器学习技术，但随后的映射是手工制作的，并且可能不像将集映射视为一个整体的理想解决方案那样聪明。因为机器学习部分并不考虑整套，所以在我看来，它错过了可用于做出更好决策的一些信息。
我认为上面的插图可以重构为首先将t中的所有对作为S_ab（对于n元组）和然后使用(A, B)每个S_ab对匹配和不匹配的神经网络训练。这考虑了一对并输出匹配/不匹配，并且没有考虑整个集合。
我的理解是，神经网络不会处理可变大小的输入，但也许我可以为A × B和S_ab = < f1(a1, b1), f2(a2, b2), ..., fn(an, bn) >选择一个上限，并找到一些未使用的填充的中性编码节点。并且输出可以是沿着轴的匹配矩阵，其沿着侧面指向[n, ?, 1]的元素，并且沿着底部指向||A||。但是那时网仍然会对元素的顺序敏感，不是吗？
是否有机器学习技术能够以这种方式可靠地将集合映射到集合？它以明显的方式与记录联系有关。这是一个约束满足问题，因为每个元素最多可以匹配一次。如果结果的人为修正可以作为反馈以改进未来结果，那将是理想的。如果你有办法，可以请我为我拼写，因为我不熟悉机器学习概念。