1 対 1 の場合、バイナリ分類を活用できます。N 個の可能性のある解答の分類問題を踏まえると、1 つの対比のソリューションは N 個の個別のバイナリ分類器（考えられる結果ごとに 1 つのバイナリ分類器）で構成されます。トレーニング中、モデルは一連のバイナリ分類器を実行し、それぞれを分類して別々の分類の質問に答えます。たとえば、犬の写真があるとします。5 人の異なる認識器がトレーニングされ、4 人がネガティブ サンプル（リンゴではなくクマではない）として認識され、1 人が犬をポジティブ サンプルとして認識する可能性があります。つまり:
- この画像はリンゴですか。番号
- この画像はクマですか？番号
- この画像はキャンディですか？番号
- この画像は犬ですか？はい。
- この画像は卵ですか？番号
このアプローチは、クラスの総数が少ない場合はかなり合理的ですが、クラスの数が増えるにつれて非効率になります。
各出力ノードが異なるクラスを表すディープ ニューラル ネットワークを使用して、大幅に効率的な 1 対オールモデルを作成できます。次の図は、このアプローチを示しています。
図 1. 一方、オール ニューラル ネットワークは、