通过利用任务之间的相似性,甚至用较小的任务来弥补缺少大规模数据任务的不足,提出了一种鲁棒的基于谱方法的算法,同时具备对异常值的鲁棒性和优良的统计折衷。
Jun, 2020
在这项研究中,我们研究了元学习和多任务学习的框架,探讨了在小样本情况下,通过少量任务和样本,能否学习到有效的共享表示,并利用该表示解决二分类问题。
Dec, 2023
通过选择多样的任务进行小批量处理,我们研究利用任务关联的外部知识来改善训练稳定性,进而减少训练中的噪音。
通过信息理论设计的元正则化目标,可以使元学习器在任务训练数据和任务测试数据之间有效地适应,成功地使用来自非相互排斥任务的数据来有效地适应新任务,并在应用场景中大幅优于标准元学习算法。
Dec, 2019
采用线性回归模型,实现元学习训练中的最优数据集分配,研究表明针对不同任务的数据分配策略存在差异。
Mar, 2021
利用层级潜变量模型,自动推断任务之间的关系并应用于模型强化学习中,从而实现在小规模数据集上的元学习,有效提高数据利用率,解决新任务的平均交互时间缩短高达 60%。
Mar, 2018
本文提出了一种通过任务插值来扩充任务集的元学习方法(MLTI),通过该方法可以实现更好的泛化性能,从而在多个数据集上显著优于当前最先进的策略。
Jun, 2021
本文提出了一种基于 Meta-learning 的多任务线性回归算法,该算法能够通过低维线性表示快速学习多个相关任务,同时将这些知识传递到新的未见过的任务中,并提供了信息论下限,证明了该算法的高效性。
Feb, 2020
本文探讨在高维度输入如图像中元学习的回归任务,提出两项主要贡献:设计两种新的跨类别层次的视觉回归任务,并通过深度学习技术强化元学习算法的泛化能力;在条件神经过程中,添加了功能对比学习(FCL),并通过端到端的训练得到了实验结果,表明先前的工作结果存在误导,应考虑合适的损失函数并增加元训练集的大小。
Mar, 2022
该论文介绍了元学习在深度学习中的应用及其近期发展,涵盖度量、记忆、基于学习等方法,并探讨了当前的挑战和未来的研究方向。
Mar, 2023