Few-shot 优化的广义强化元学习

ICMLMay, 2020

Generalized Reinforcement Meta Learning for Few-Shot Optimization

Raviteja Anantha, Stephen Pulman, Srinivas Chappidi

TL;DR提出了一种基于强化学习和元学习的框架来解决 few-shot learning 问题，通过稳定的损失函数来学习最佳的优化算法，从而实现了对参数的更新。实验结果表明该方法在准确率和 NDCG 指标上均超过了现有的替代方法，并且可扩展到网络结构搜索。

Abstract

We present a generic and flexible reinforcement learning (RL) based meta-learning framework for the problem of few-shot learning. During t

reinforcement learning few-shot learning optimization algorithm dual encoder meta-learning

发现论文，激发创造

对抗性鲁棒少样本学习：一种元学习方法

本研究旨在开发 Adversarial Querying 算法以生成对小样本图像分类具有鲁棒性的元学习器，并比较其与迁移学习方式的性能表现，结果表明在 Mini-ImageNet 和 CIFAR-FS 等图像分类任务上，该方法具有远优于传统迁移学习方法的鲁棒表现。

Oct, 2019

可微凸优化的元学习

提出了一种名为 MetaOptNet 的元学习方法，该方法使用线性预测器作为基本学习器来学习用于少样本学习的表示，并表现出了在一系列少样本识别基准测试中，在特征大小和性能之间提供更好的折衷方案，并取得了最先进的性能。

Apr, 2019

基于偏好的快速适应元强化学习

本研究基于元强化学习框架，探究了在人机交互中，通过基于偏好的反馈，而非数值奖励，在少数试验中快速调整策略以适应新任务的机制，并通过信息论技术设计问题序列来最大化人类专家的信息获取效率，实验结果表明其显著优于传统算法。

Nov, 2022

多样性与合作：针对少样本分类的集成方法

本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题，通过引入新策略鼓励网络相互合作来提高分类性能，实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。

Mar, 2019

无关模型的元学习用于深度网络的快速适应

本文提出了一种模型无关的元学习算法，通过少量的训练样本，使用梯度下降算法来训练模型的参数，实现了对新学习任务的快速调整和学习，导致在少量图像分类、回归和神经网络政策优化方面表现出最先进的性能。

Mar, 2017

自适应注意力的小样本分类

本文提出一种新的 few-shot 学习方法，通过优化和快速适应查询样本的表示来改进 few-shot 分类，所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上，实验证明了所提出模型的分类结果达到了最先进水平。

Aug, 2020

元线性：探索针对少样本学习的简单元学习

本文探讨了在整个标签集上进行全分类的简单方法，并通过此方法在多个基准测试中取得了与现有技术相当的表现。同时，本文还对元学习与全分类目标在少样本学习中的权衡进行了深入分析。

Mar, 2020

用于元学习少样本分类的回归网络

本研究提出回归网络，用于解决少样本分类问题。该方法通过在类子空间中回归最近的近似点实现分类，使用回归误差作为距离度量，并将元学习引入到嵌入空间中。使用此简单归纳偏差的回归网络方法在有限数据情况下表现出色，特别是在能够用多个样本形成聚合类表示时。

May, 2019

元转移学习用于少样本学习

本篇论文提出了一种名为元转移学习的新型少样本学习方法，通过训练多个任务以及为每个任务学习深度神经网络权重的缩放和移位函数来实现迁移。作者使用提出的 HT 元批处理方案对 MiniImagenet 和 Fewshot-CIFAR100 这两个具有挑战性的少样本学习基准进行了实验，并将其与相关工作进行了广泛比较，结果验证了元转移学习方法的优越性和高准确性。

Dec, 2018

增强式关注机制用于小样本学习及其扩展

本文提出了一种利用加强学习技术对注意力机制调整的方法来生成更优选择的图像嵌入向量，从而有效提高几类学习和图像分类的性能。

Apr, 2021