学习如何学习和预测：一种用于多标签分类的元学习方法

EMNLPSep, 2019

学习如何学习和预测：一种用于多标签分类的元学习方法

Learning to Learn and Predict: A Meta-Learning Approach for Multi-Label Classification

Jiawei Wu, Wenhan Xiong, William Yang Wang

TL;DR本文提出了一种利用元学习方法和训练策略捕捉标签依赖关系的元学习方法，其训练策略用于交叉熵损失函数训练分类器，预测策略则用于预测。实验结果表明该方法可以更准确地进行多标签分类。

Abstract

Many tasks in natural language processing can be viewed as multi-label classification problems. However, most of the existing models are trained with the standard cross-entropy loss function and use a fixed prediction policy (e.g., a threshold of 0.5) for all the labels, which complete

natural language processing multi-label classification meta-learning label dependencies prediction policies

发现论文，激发创造

多语言和跨语言文档分类：元学习方法

该论文提出了一种元学习方法，可以在有限资源的情况下进行文档分类，并在少量标记数据的情况下取得了较好的效果，涉及跨语言、多语言的情况。作者还对多个元学习方法进行了比较和调整，提出了一种简单且有效的调整方式，并在多语言上取得了新的最佳表现。

Jan, 2021

一种用于定制模型训练的元学习方法

本文提出了一种联合训练方法，将迁移学习和元学习相结合，从而在少分类、少样本以及多分类、多样本任务中均可获得更好的泛化性能。

Sep, 2018

有效多任务和多语言建模的元学习

通过元学习方法，将任务和语言相互作用的表征共享，可提高自然语言处理任务和多语种任务性能。

Jan, 2021

元学习中的软标签学习

提出了一种利用可学习标签和动态正则化来解决固定标签产生的过拟合、泛化性能下降等问题的框架方法，并应用于数据集噪声过大的情况中取得了显著的改进。

Sep, 2020

基于层级专家网络的元学习

该论文提出了一种信息论的元学习模型，通过优化划分学习任务，使得专业的决策者解决子问题，从而达到高效的适应新任务的效果，在图像分类、回归和强化学习三个元学习领域进行验证。

Oct, 2019

基于学得损失的元学习

本文提出了一种元学习方法，用于学习参数化损失函数，该方法可以概括不同任务和模型架构之间的关系，从而使训练过程更快速、更强健。我们的元学习框架可以灵活地在元训练时加入额外信息，从而塑造损失函数，避免在元测试时需要提供该信息。

Jun, 2019

深度神经网络的元学习损失函数

探索利用元学习概念来改善性能，尤其是通过损失函数这个常常被忽视的组成部分。损失函数是学习系统的重要组成部分，它代表了主要的学习目标，在系统成功优化该目标的能力上进行了量化。

Jun, 2024

利用基类信息增强元训练的少样本学习

基于元学习框架，我们提出了一种端到端训练范式，通过整个训练集的信息与元学习训练范式相互增强，以解决少样本学习中训练成本高和性能欠佳的问题。而且，我们的框架是无模型偏见的，相比基准系统提升了约 1% 的性能。

Mar, 2024

自然语言处理的元学习综述

这篇综述论文介绍了自然语言处理领域中元学习的概念和应用，指出当前技术需要更多的标注数据和适用域限制，而元学习技术则旨在提高学习算法的数据效率和适用范围，在 NLP 任务中表现出了显著的效果。此外，该论文总结了元学习在 NLP 中的任务构建、问题应用和发展趋势，为研究人员提供了相关工作的指导和吸引更多研究关注。

May, 2022

一步主动学习的元学习方法

本文研究了代价昂贵的标注问题，并提出了一种使用元学习技术来学习主动学习策略的模型，在池化的场景下使用。实验获得了鼓舞人心的结果。

Jun, 2017