एक बनाम सभी बाइनरी क्लासिफ़िकेशन का फ़ायदा लेने का तरीका देते हैं. N संभावित समाधानों की कैटगरी में आने वाली समस्या को देखते हुए, एक बनाम सभी समाधान में N अलग बाइनरी क्लासिफ़ायर शामिल हैं—हर संभावित नतीजे के लिए एक बाइनरी क्लासिफ़ायर. ट्रेनिंग के दौरान, यह मॉडल बाइनरी क्लासिफ़ायर के क्रम से चलता है और हर डेटा को अलग-अलग क्लासिफ़िकेशन सवालों के जवाब देता है. उदाहरण के लिए, किसी कुत्ते की तस्वीर को देखते हुए, पांच अलग-अलग शिक्षकों को ट्रेनिंग दी जा सकती है. इनमें से चार इमेज को एक नेगेटिव उदाहरण के तौर पर देखा गया है (सेब नहीं, न कि भालू वगैरह) और एक इमेज को सकारात्मक उदाहरण के तौर पर (कुत्ते) के तौर पर देखा जा रहा है. यानी:
- क्या यह सेब है? नहीं.
- क्या यह भालू का आइकॉन है? नहीं.
- क्या यह इमेज कैंडी है? नहीं.
- क्या यह कुत्ता एक कुत्ता है? हां.
- क्या यह एक अंडे की इमेज है? नहीं.
यह तरीका तब उचित होता है, जब कक्षाओं की कुल संख्या कम हो जाती है, लेकिन जैसे-जैसे कक्षाओं की संख्या बढ़ती है, वैसे-वैसे असरदार नहीं होती.
हम डीप न्यूरल नेटवर्क का इस्तेमाल करके, ज़्यादा बेहतर वन-वर्शन-ऑल मॉडल बना सकते हैं. इसमें, हर आउटपुट नोड एक अलग क्लास को दिखाता है. नीचे दिए गए डायग्राम में इन तरीकों का इस्तेमाल किया गया है:
पहला डायग्राम. एक बनाम बनाम सभी न्यूरल नेटवर्क.