元学习神经布隆过滤器

Jun, 2019

Meta-Learning Neural Bloom Filters

Jack W Rae, Sergey Bartunov, Timothy P Lillicrap

TL;DR本文探讨通过元学习一次性实现近似集合成员关系的学习，提出了一种新的记忆体架构，神经布隆过滤器（Neural Bloom Filter）可以在经典布隆过滤器和现有的内存增强神经网络上实现显著的压缩增益。

Abstract

There has been a recent trend in training neural networks to replace data structures that have been crafted by hand, with an aim for faster execution, better accuracy, or greater compression. In this setting, a neural data structure is instantiated by training a network over many epochs of its inputs until convergence. In applications where inputs arrive at

neural data structure few-shot learning meta-learning memory architecture neural bloom filter

发现论文，激发创造

学习式布隆过滤器模型及夹心优化

本文研究了基于机器学习的预处理器对 Bloom 过滤器的增强，并提出了一种优化学习到的布隆过滤器性能的方法，最终提出了一种设计和分析方法来定义 learned Bloomier filter。

Jan, 2019

元网络

本文介绍了一种新的元学习方法 Meta Networks（MetaNet），它通过快速参数化学习跨任务的元级知识，并在新概念上进行快速泛化，同时保持了以前所学的性能表现，在 Omniglot 和 Mini-ImageNet 基准测试中，我们的 MetaNet 模型实现了接近人类水平的表现，并在准确性上优于基线方法高达 6％。我们展示了 MetaNet 的几个有吸引力的性质，如泛化和持续学习。

Mar, 2017

记忆增强神经网络的单次学习

本研究证明了增强记忆功能的神经网络具有快速吸纳新数据和利用数据进行准确预测的能力，并介绍了一种基于内容而不是基于位置的外部记忆访问方法。

May, 2016

奖励调节 STDP 的突触可塑性神经元脉冲伪学习

提出了一个受海马体和前额叶皮质启发的生物学上可行的元学习模型，其使用尖峰神经网络和基于奖励的学习系统来实现在低数据条件下的快速学习并避免了灾难性遗忘，并且可以轻松地应用于脉冲神经形态学设备和在 few-shot 分类任务中展示了其与现有技术的竞争力。

Jun, 2023

学习型布隆过滤器中分类器选择的关键分析

提出一种用于设计、分析和实现 “Learned Bloom Filters” 的新方法，并结合分类器和数据集进行了性能评估，我们的实验表明，这种方法和软件可以有效地帮助确定最佳的分类器和最适合不同数据复杂度问题的 “Learned Bloom Filters” 的类型。

Nov, 2022

元学习神经记忆

本文提出了一种基于外部内存机制及元学习的可快速调整及变更参数的深度神经网络，该模型不仅适用于监督性问题，还能在强化学习等多种学习问题中取得较好的表现。

Jul, 2019

一个简单的神经注意力元学习器

本文提出一种使用时间卷积和软注意力的简单而通用的元学习器结构，命名为 SNAIL，在广泛的元学习实验中实现了表现显著优于现有技术，并获得了当前最先进的性能。

Jul, 2017

元学习的神经程序偏差

通过神经程序化偏差元学习（NPBML）的提出，我们可以通过元学习的过程来赋予神经网络特定的程序化偏差，以实现对分布式学习任务的高性能表现。

Jun, 2024

从过去学习：基于贝叶斯图建模的持续元学习

提出了一种新颖的连续元学习方法，使用贝叶斯图神经网络 (CML-BGNN) 将元学习数学公式化为一系列任务的连续学习，在图形上保留任务内部和任务之间的相关性，利用 Amortized inference networks 解决了图形初始化的拓扑不确定性，提高了 minImageNet 5-way 1-shot 分类任务的分类性能。

Nov, 2019

深度推荐系统的优化：基于布隆嵌入的稀疏二元输入 / 输出网络

提出了一种能够在使用深度学习从推荐领域提取数据时对输入和输出进行压缩的方法 Bloom embeddings，并在对七个数据集的测试表明此方法能够提供计算效率和比原始方法更高的准确性。

Jun, 2017